支持向量机方法在地球物理学中的应用与展望
|
摘要
支持向量机方法是基于统计学习理论的新一代学习算法,在解决小样本、非线性和高维模式识别中表现出很多特有的优势。通过支持向量机分类的原理,以及在地震勘探、油气储层预测、大地电磁和地震监测中的应用现状进行简要的综述,说明此方法在地球物理学研究中是有效的。随着支持向量机方法不断完善和改进,在地球物理学中的应用前景将更加广泛。
Support Vector Machine method is a machine leaning method based on statistica1 learning theory.It shows obvious advantages in processing small-sample,high dimensional pattern recognition,and nonlinear problems.In this paper,its classification principle and application status in seismic exploration,the oil gas reservoir prediction,magnetotelluric and earthquake monitoring are briefly reviewed,indicating that it is effective in geophysical research.Support vector machine method will be more extensive applied in geophysics as it continuously refines and improves.
Support Vector Machine method is a machine leaning method based on statistica1 learning theory.It shows obvious advantages in processing small-sample,high dimensional pattern recognition,and nonlinear problems.In this paper,its classification principle and application status in seismic exploration,the oil gas reservoir prediction,magnetotelluric and earthquake monitoring are briefly reviewed,indicating that it is effective in geophysical research.Support vector machine method will be more extensive applied in geophysics as it continuously refines and improves.
引文
[1]Cortee C.Vapnik V.Support vector Networks[J].Machine Leaning,1995,20:273～297.
[2]Cristanini N,Shawe-Taylor J著,李国正,王猛,曾华军译.支持向量机导论[M].北京:电子工业出版社,2004,47-106.
[3]祁亨年.支持向量机及其应用研究综述[J].计算机工程,2004,30(10):6～9.
[4]宇缨,李清华.统计学习理论和支持向量机[J].沈阳大学学报,2005,17(4):42～47.
[5]Alex J Smola,Bemhard Schoelkopf.A tutorial on suport vertor regression[R].neuroCOLT2 Techical Report SerisNC2-TR-198030,1988.
[6]张学工.关于统计学理论与支持向量机[J].自动化学报,2000,26(1):33～42.
[7]Byun H,Lee S W.Applications of Support Vector Machines for Pattern Recognition:A Survey[C]//Lee SW,Verri A(Eds).SVM LNCS 2388,2002,213～236.
[8]张孝珍,董汉强.地震勘探中的去噪技术新进展[J].勘探地球物理进展,2009,32(3):172～178.
[9]Cherkassky V,Yunqian M.Practical selection of SVM parameters and noise estimation for SVM regression[J].Neural Networks,2004,17:113-126.
[10]邓小英,李月.Ricker子波核最小二乘支持向量机在地震勘探信号去噪应用中的参数设置研究[J].地球物理学进展,2007,22(3):953～958.
[11]Chen Q,Sideney S.Seismic attribute technology for reservoir forecasting and monitoring[J].The LeadingEdge,1997,16(5):445.
[12]王永刚,乐友喜等。河道砂体含油性判别方法[J].石油地球物理勘探,2005,40(4):459～462.
[13]Doyen PM.Porosity from seismic data:Ageostatic approach[J].Geophysics,1988.53(10):1263-1275.
[14]Vapnik V.Levin E.Cun YI.Measuring the VC dismension of a learning machine[J].Neural Computation.1994,6(5):851_876.
[15]Li Jiakang.Castagna J.Li Dong-an,et al.Reservoir prediction via SVM pattern recognition[R].SEG Int'IExposition and 74th Annual Meeting,2004,425-428.
[16]乐友喜,袁全社.支持向量机方法在油气储层参数预测中的应用[J].天然气工业,2005,25(12):45～47.
[17]唐小彪.基于对应分析的支持向量机回归在地震储层厚度预测中的应用[J].物探与化探,2009,33(4):468～471.
[18]张彦周,刘叶玲,谢宝英,等.支持向量机在储层厚度预测中的应用[J].勘探地球物理进展,2005,28(6):422～424.
[19]许建华,张学工,李衍达.基于最小二乘支持向量机的油气判别技术[J].模式识别与人工智能,2002,15(4):507～510.
[20]姚凯丰,陆文凯,丁文龙,等.一种基于SVM特征选择的油气预测方法[J].天然气工业,2004,24(7)::36～38.
[21]张翔,刘晓敏.基于支持向量机回归的去噪方法及其应用[J].工程球物理学报,2005,2(3):191～194.
[22]张翔,刘晓敏.基于支持向量机的去噪在电法勘探中的应用[J].石油天然气学报,2005,27(3):338～340.
[23]曾融生,陈运泰.探测地球内部的“雷达”地震波(续)[J].城市防震减灾,2000,(6):12-14.
[24]黄汉明,边银菊,卢世军,等.天然地震与人工爆破的波形小波特征研究[J].地震学报,2010,32(3):271～276.
[25]黄汉明,边银菊,卢世军,等.-SVC算法在地震与爆破识别及窗长度选取中的应用[J].地震地磁观测与研究,2010,31(3):24～31.
[26]王炜,林命遇,马钦忠,等.支持向量机及其在地震预报中的应用前景[J].西北地震学报,2006,28(1):78～84.
[27]武安绪,蒋长胜,王琳英,等.基于支持向量机的地震序列分类[J].东北地震研究,2008,24(1):50～60.
[28]李志雄,袁锡文,丁军,等.中国西南地区强震预测的支持向量机方法[J].地震研究,2007,30(2):134～136.
[29]杨柳.支持向量机方法在地震短期预测中的应用[J].华北地震科学,2010,28(3):10～15.
[2]Cristanini N,Shawe-Taylor J著,李国正,王猛,曾华军译.支持向量机导论[M].北京:电子工业出版社,2004,47-106.
[3]祁亨年.支持向量机及其应用研究综述[J].计算机工程,2004,30(10):6～9.
[4]宇缨,李清华.统计学习理论和支持向量机[J].沈阳大学学报,2005,17(4):42～47.
[5]Alex J Smola,Bemhard Schoelkopf.A tutorial on suport vertor regression[R].neuroCOLT2 Techical Report SerisNC2-TR-198030,1988.
[6]张学工.关于统计学理论与支持向量机[J].自动化学报,2000,26(1):33～42.
[7]Byun H,Lee S W.Applications of Support Vector Machines for Pattern Recognition:A Survey[C]//Lee SW,Verri A(Eds).SVM LNCS 2388,2002,213～236.
[8]张孝珍,董汉强.地震勘探中的去噪技术新进展[J].勘探地球物理进展,2009,32(3):172～178.
[9]Cherkassky V,Yunqian M.Practical selection of SVM parameters and noise estimation for SVM regression[J].Neural Networks,2004,17:113-126.
[10]邓小英,李月.Ricker子波核最小二乘支持向量机在地震勘探信号去噪应用中的参数设置研究[J].地球物理学进展,2007,22(3):953～958.
[11]Chen Q,Sideney S.Seismic attribute technology for reservoir forecasting and monitoring[J].The LeadingEdge,1997,16(5):445.
[12]王永刚,乐友喜等。河道砂体含油性判别方法[J].石油地球物理勘探,2005,40(4):459～462.
[13]Doyen PM.Porosity from seismic data:Ageostatic approach[J].Geophysics,1988.53(10):1263-1275.
[14]Vapnik V.Levin E.Cun YI.Measuring the VC dismension of a learning machine[J].Neural Computation.1994,6(5):851_876.
[15]Li Jiakang.Castagna J.Li Dong-an,et al.Reservoir prediction via SVM pattern recognition[R].SEG Int'IExposition and 74th Annual Meeting,2004,425-428.
[16]乐友喜,袁全社.支持向量机方法在油气储层参数预测中的应用[J].天然气工业,2005,25(12):45～47.
[17]唐小彪.基于对应分析的支持向量机回归在地震储层厚度预测中的应用[J].物探与化探,2009,33(4):468～471.
[18]张彦周,刘叶玲,谢宝英,等.支持向量机在储层厚度预测中的应用[J].勘探地球物理进展,2005,28(6):422～424.
[19]许建华,张学工,李衍达.基于最小二乘支持向量机的油气判别技术[J].模式识别与人工智能,2002,15(4):507～510.
[20]姚凯丰,陆文凯,丁文龙,等.一种基于SVM特征选择的油气预测方法[J].天然气工业,2004,24(7)::36～38.
[21]张翔,刘晓敏.基于支持向量机回归的去噪方法及其应用[J].工程球物理学报,2005,2(3):191～194.
[22]张翔,刘晓敏.基于支持向量机的去噪在电法勘探中的应用[J].石油天然气学报,2005,27(3):338～340.
[23]曾融生,陈运泰.探测地球内部的“雷达”地震波(续)[J].城市防震减灾,2000,(6):12-14.
[24]黄汉明,边银菊,卢世军,等.天然地震与人工爆破的波形小波特征研究[J].地震学报,2010,32(3):271～276.
[25]黄汉明,边银菊,卢世军,等.-SVC算法在地震与爆破识别及窗长度选取中的应用[J].地震地磁观测与研究,2010,31(3):24～31.
[26]王炜,林命遇,马钦忠,等.支持向量机及其在地震预报中的应用前景[J].西北地震学报,2006,28(1):78～84.
[27]武安绪,蒋长胜,王琳英,等.基于支持向量机的地震序列分类[J].东北地震研究,2008,24(1):50～60.
[28]李志雄,袁锡文,丁军,等.中国西南地区强震预测的支持向量机方法[J].地震研究,2007,30(2):134～136.
[29]杨柳.支持向量机方法在地震短期预测中的应用[J].华北地震科学,2010,28(3):10～15.
版权所有：© 2023 中国地质图书馆 中国地质调查局地学文献中心