机器学习：基于支持向量机和有序聚类的岩层识别

第9卷第1期 智能系统学报 Vol.9 No.1 2014年2月 CAAI Transactions on Intelligent Systems Feb.2014 D0:10.3969/j.issn.1673-4785.201304019 网络出版地址：http:/www.cmki.net/kcms/doi/10.3969/j.issn.1673-4785.201304019.html 基于支持向量机和有序聚类的岩层识别 张多，韩逢庆 (重庆交通大学管理学院，重庆400074) 摘要：由于支持向量机进行分类前需要先使用训练样本训练分类器，而在岩层识别问题中没有训练样本，针对此 问题，提出一种基于有序聚类的支持向量机岩层识别分类算法。首先利用有序聚类算法对经滤波和归一化后的测 井数据进行初步分层，然后根据初步分层结果获取训练样本，最后用训练后的支持向量机分类器对测井数据进行第 2次分层。应用该算法对选取的3口井的岩性进行自动识别，并将该算法的识别结果与其他算法进行比较。仿真实 验结果表明，该算法具有较高的准确率，每种岩层的平均准确率能达到85%，解决了岩层识别前必须采用已知类别 的数据对支持向量机进行训练的弊端。 关键词：岩层识别；支持向量机；有序聚类；训练样本；分类器 中图分类号：TP631文献标志码：A文章编号：1673-4785(2014)01-0098-06 中文引用格式：张多，韩逢庆.基于支持向量机和有序聚类的岩层识别[J].智能系统学报，2014,9(1)：98-103. 英文引用格式：ZHANG Duo,HAN Fengqing.Stratum identification based on the SVM and ordered cluster[J].CAAI Transactions on Intelligent Systems,2014,9(1):98-103. Stratum identification based on the SVM and ordered cluster ZHANG Duo,HAN Fengqing (School of Management,Chongqing Jiaotong University,Chongqing 400074,China) Abstract:The support vector machine (SVM)needs training samples to train itself before identifying stratum, while there are no training samples with stratum identification.Focusing on this problem,this paper puts forward a vector machine classifier based on the ordered clustering algorithm.Firstly,the ordered clustering algorithm is used to get preliminary layered logging data which have been filtered and normalized.Secondly,the training samples are obtained according to preliminary layered outcomes.Finally,the data are layered again by the trained SVM classifi- er.The algorithm is used to automatically identify the lithology of the selected three wells,and compared with the results of the other algorithms.The results of the simulation experiment show that the algorithm overcomes the draw- backs that the labeled data has to adopt when training SVM,and improves the accuracy of each stratum,reaching 85%on average. Keywords:stratum identification;support vector machine;ordered clustering;training samples;classifier 岩层识别问题是地球物理勘探的重要课题之 自从1982年Wof等)首次根据测井数据自动 一，准确识别岩层对于地球物理勘探十分重要。较 判定地层岩性以来，目前已发展了很多分层方法，如 长时间以来，测井分析工作者主要根据测井曲线的 有序聚类法[)、极值方差聚类法[)、支持向量机 形态变化特征及其与周围岩层之间的差异特征进行 法[6]等。有序聚类法和极值方差聚类法是在没有 人工分层。这种十分原始的手工分层方法，会由于 先验类别条件下，通过测井数据内在的一些属性和 不同测井分析工作者在使用分层曲线和掌握分层标 联系，对岩层进行自动分层。这些方法在数学上比 准的不同造成分层结果的差异)。相对于人工分 较严格，其分层结果是完美的数学结果，但并不能完 层，自动分层可以避免人为分层的随意性，并在很大 全反映出测井数据与岩层类别之间的对应关系。 程度上提高工作效率[]。 支持向量机(support vector machine,.SVM)是 Vapnik等9y提出的一种基于结构风险最小化原理 收稿日期：2013-04-11.网络出版日期：2014-02-20 基金项目：国家自然科学基金资助项目(51208538). (structural risk minimization,SRM)和统计学习理论 通信作者：张多.E-mail:cqzhangd2012@163.com 的VC维理论的机器学习方法，能够充分挖掘事物

第 ９ 卷第 １ 期 智 能 系 统 学 报 Ｖｏｌ．９ №．１ ２０１４ 年 ２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｆｅｂ． ２０１４ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０４０１９ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｏｉ ／ １０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０４０１９．ｈｔｍｌ 基于支持向量机和有序聚类的岩层识别 张多，韩逢庆 （重庆交通大学 管理学院，重庆 ４０００７４） 摘 要：由于支持向量机进行分类前需要先使用训练样本训练分类器，而在岩层识别问题中没有训练样本，针对此 问题，提出一种基于有序聚类的支持向量机岩层识别分类算法。 首先利用有序聚类算法对经滤波和归一化后的测 井数据进行初步分层，然后根据初步分层结果获取训练样本，最后用训练后的支持向量机分类器对测井数据进行第 ２ 次分层。 应用该算法对选取的 ３ 口井的岩性进行自动识别，并将该算法的识别结果与其他算法进行比较。 仿真实 验结果表明，该算法具有较高的准确率，每种岩层的平均准确率能达到 ８５％，解决了岩层识别前必须采用已知类别 的数据对支持向量机进行训练的弊端。 关键词：岩层识别；支持向量机；有序聚类；训练样本；分类器 中图分类号：ＴＰ６３１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１４）０１⁃００９８⁃０６ 中文引用格式：张多，韩逢庆．基于支持向量机和有序聚类的岩层识别［Ｊ］． 智能系统学报， ２０１４， ９（１）： ９８⁃１０３． 英文引用格式：ＺＨＡＮＧ Ｄｕｏ， ＨＡＮ Ｆｅｎｇｑｉｎｇ． Ｓｔｒａｔｕｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｔｈｅ ＳＶＭ ａｎｄ ｏｒｄｅｒｅｄ ｃｌｕｓｔｅｒ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１４， ９（１）： ９８⁃１０３． Ｓｔｒａｔｕｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｔｈｅ ＳＶＭ ａｎｄ ｏｒｄｅｒｅｄ ｃｌｕｓｔｅｒ ＺＨＡＮＧ Ｄｕｏ， ＨＡＮ Ｆｅｎｇｑｉｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ， Ｃｈｏｎｇｑｉｎｇ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈｏｎｇｑｉｎｇ ４０００７４， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ （ ＳＶＭ） ｎｅｅｄｓ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｔｏ ｔｒａｉｎ ｉｔｓｅｌｆ ｂｅｆｏｒｅ ｉｄｅｎｔｉｆｙｉｎｇ ｓｔｒａｔｕｍ， ｗｈｉｌｅ ｔｈｅｒｅ ａｒｅ ｎｏ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｗｉｔｈ ｓｔｒａｔｕｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ． Ｆｏｃｕｓｉｎｇ ｏｎ ｔｈｉｓ ｐｒｏｂｌｅｍ， ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ａ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｌａｓｓｉｆｉｅｒ ｂａｓｅｄ ｏｎ ｔｈｅ ｏｒｄｅｒｅｄ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ． Ｆｉｒｓｔｌｙ， ｔｈｅ ｏｒｄｅｒｅｄ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ ｔｏ ｇｅｔ ｐｒｅｌｉｍｉｎａｒｙ ｌａｙｅｒｅｄ ｌｏｇｇｉｎｇ ｄａｔａ ｗｈｉｃｈ ｈａｖｅ ｂｅｅｎ ｆｉｌｔｅｒｅｄ ａｎｄ ｎｏｒｍａｌｉｚｅｄ． Ｓｅｃｏｎｄｌｙ， ｔｈｅ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ａｒｅ ｏｂｔａｉｎｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｐｒｅｌｉｍｉｎａｒｙ ｌａｙｅｒｅｄ ｏｕｔｃｏｍｅｓ． Ｆｉｎａｌｌｙ， ｔｈｅ ｄａｔａ ａｒｅ ｌａｙｅｒｅｄ ａｇａｉｎ ｂｙ ｔｈｅ ｔｒａｉｎｅｄ ＳＶＭ ｃｌａｓｓｉｆｉ⁃ ｅｒ． Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ ｔｏ ａｕｔｏｍａｔｉｃａｌｌｙ ｉｄｅｎｔｉｆｙ ｔｈｅ ｌｉｔｈｏｌｏｇｙ ｏｆ ｔｈｅ ｓｅｌｅｃｔｅｄ ｔｈｒｅｅ ｗｅｌｌｓ， ａｎｄ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｏｔｈｅｒ ａｌｇｏｒｉｔｈｍｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｏｖｅｒｃｏｍｅｓ ｔｈｅ ｄｒａｗ⁃ ｂａｃｋｓ ｔｈａｔ ｔｈｅ ｌａｂｅｌｅｄ ｄａｔａ ｈａｓ ｔｏ ａｄｏｐｔ ｗｈｅｎ ｔｒａｉｎｉｎｇ ＳＶＭ， ａｎｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｅａｃｈ ｓｔｒａｔｕｍ， ｒｅａｃｈｉｎｇ ８５％ ｏｎ ａｖｅｒａｇｅ． Ｋｅｙｗｏｒｄｓ：ｓｔｒａｔｕｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ； ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ； ｏｒｄｅｒｅｄ ｃｌｕｓｔｅｒｉｎｇ； ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ； ｃｌａｓｓｉｆｉｅｒ 收稿日期：２０１３⁃０４⁃１１． 网络出版日期：２０１４⁃０２⁃２０． 基金项目：国家自然科学基金资助项目（５１２０８５３８）． 通信作者：张多． Ｅ⁃ｍａｉｌ： ｃｑｚｈａｎｇｄ２０１２＠ １６３．ｃｏｍ． 岩层识别问题是地球物理勘探的重要课题之 一，准确识别岩层对于地球物理勘探十分重要。 较 长时间以来，测井分析工作者主要根据测井曲线的 形态变化特征及其与周围岩层之间的差异特征进行 人工分层。 这种十分原始的手工分层方法，会由于 不同测井分析工作者在使用分层曲线和掌握分层标 准的不同造成分层结果的差异［１］ 。 相对于人工分 层，自动分层可以避免人为分层的随意性，并在很大 程度上提高工作效率［２］ 。 自从 １９８２ 年 Ｗｏｌｆ 等［３］首次根据测井数据自动 判定地层岩性以来，目前已发展了很多分层方法，如 有序聚类法［４］ 、极值方差聚类法［５］ 、 支持向量机 法［６⁃８］等。 有序聚类法和极值方差聚类法是在没有 先验类别条件下，通过测井数据内在的一些属性和 联系，对岩层进行自动分层。 这些方法在数学上比 较严格，其分层结果是完美的数学结果，但并不能完 全反映出测井数据与岩层类别之间的对应关系。 支持向量机（ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ， ＳＶＭ） 是 Ｖａｐｎｉｋ 等［９］提出的一种基于结构风险最小化原理 （ｓｔｒｕｃｔｕｒａｌ ｒｉｓｋ ｍｉｎｉｍｉｚａｔｉｏｎ， ＳＲＭ）和统计学习理论 的 ＶＣ 维理论的机器学习方法，能够充分挖掘事物

第1期 张多，等：基于支持向量机和有序聚类的岩层识别 ·99· 之间的对应关系。其根据有限的样本信息在模型的 aL =0→w= 复杂性（即对特定训练样本的学习精度）和学习能 aw ay9(x:） =1 力（即无错误识别任意样本的能力）之间寻求最佳 aL 折衷，以获得最好的分类能力。目前，该算法被 =0→∑ay:=0 (2) ab 广泛应用于文本分类、图像分类、基因分析、字符识 aL 别、人脸识别等领域。相对于许多传统的分类 a0 =0→a:[y.(w·p(x:)+b)-1]=0 器，如参数估计和神经网络，它不仅有完善的理论支 根据式(1)和式(2)的约束条件，可转化成对偶 持，而且表现出良好的分类性能和推广能力，是一种 问题为 专门针对有限样本分类的方法。SVM在很大程度 max 上解决了非线性、高维数以及局部极值等问题。 ,-号Σa,4K(x i=1 近年来，更多的研究者开始致力于支持向量机对岩 a≥0，i=1,2,…,n 层识别的研究。宋延杰等[6选取大庆油田中7口 井的探井曲线资料作为样本数据，并依据先验经验， a-0 i=1 人为选取部分样本数据作为训练集，然后利用学习 这是一个二次函数极值问题，故存在惟一解。 后的支持向量机预测岩层。赵军等)利用P油田 若a:为最优解，则有 18口井的解释结果，筛选出训练集和测试集，验证 w·=∑ay,e(x) 支持向量机在岩层识别中的有效性。文政等劉利 用同地区5口井的样本数据对支持向量机进行训 式中：a:是不为零的样本，称为支持向量。b°是分 练，并对剩余样本进行预测验证。然而，上述研究没 类阈值，可由约束条件a:[y.(w·p(x:)+b)-1]= 有给出提取训练样本的具体方法，训练样本的选取 0求解。 解得上述问题后可得到二分类最优分类函数为 依赖于先验经验或周边已知分层情况井的数据样 本。为了克服支持向量机方法在岩层识别问题中的 fx)=sgn(∑aiy,K(E,x）+6) 这种弊端，本文提出了一种基于有序聚类的支持向 i-l 式中：K(x,x)为核函数。 量机算法对岩层进行识别。 1.2有序聚类算法 1 相关理论 有序聚类算法是多元统计分析中针对有序样本 的一种统计分类方法。其基本思想是：首先将待分 1.1支持向量机 类的n个样本看作1类，然后根据离差平方和类内 支持向量机的基本思想是寻找一个超平面，将 最小以及类间最大准则分为2类、3类…一直到 属于2个不同类别的样本无误地分开，且分类间隙 所需的k类为止。 要最大。对于非线性问题，可以通过非线性映射p: 假设每个样本有m个特征指标，则n个样本形 R'→H把数据从原空间(R)映射到某个高维空 成的数据矩阵如下： 间(H)里，在变换空间求最优分类面。 X11 x12 +31m 对于非线性样本集： X21 22 44 T={(x1,y1),(x2,y2),…,(x.yn)} X=（xg）nxm= 式中：x:∈R为N维向量，y:∈{1，-1}。在高维 Xnl Xn2 空间中，则存在最优分类面： 式中：元素x,表示第i个样本第j个特征指标值。 (9(x),w)+b=0 首先利用这些特征指标值计算层内变差矩阵 满足条件： D=(dg)nxa,其中： mino(w)=2(w·w） 4=Σke-01,1≤i≤j≤n g=i B y:(p(x),w）+b≥1，i=1,2,…,n(1) 式(1)是凸二次优化问题，引入拉格朗日函数： 6=[/G-i+1)]2eB=1,2,…,m 在三 wba=IwP-含awpx)+b》-l 然后记b(n,k)是有序样本分为k层的某一种 方法，则其层内离差平方和为L[b(n,k)]。当 式中：a:≥0为拉格朗日乘子。为求L(w,b,a)的 L[b(n,)]越小，即各层间的离差平方和越小，分 最小值，分别对wb、a求偏导，得 层就越合理。要使L[b(n,k)]达到极小值的分法

之间的对应关系。 其根据有限的样本信息在模型的 复杂性（即对特定训练样本的学习精度）和学习能 力（即无错误识别任意样本的能力）之间寻求最佳 折衷，以获得最好的分类能力［１０］ 。 目前，该算法被 广泛应用于文本分类、图像分类、基因分析、字符识 别、人脸识别等领域［１１］ 。 相对于许多传统的分类 器，如参数估计和神经网络，它不仅有完善的理论支 持，而且表现出良好的分类性能和推广能力，是一种 专门针对有限样本分类的方法。 ＳＶＭ 在很大程度 上解决了非线性、高维数以及局部极值等问题［１２］ 。 近年来，更多的研究者开始致力于支持向量机对岩 层识别的研究。 宋延杰等［６］ 选取大庆油田中 ７ 口 井的探井曲线资料作为样本数据，并依据先验经验， 人为选取部分样本数据作为训练集，然后利用学习 后的支持向量机预测岩层。 赵军等［７］ 利用 Ｐ 油田 １８ 口井的解释结果，筛选出训练集和测试集，验证 支持向量机在岩层识别中的有效性。 文政等［８］ 利 用同地区 ５ 口井的样本数据对支持向量机进行训 练，并对剩余样本进行预测验证。 然而，上述研究没 有给出提取训练样本的具体方法，训练样本的选取 依赖于先验经验或周边已知分层情况井的数据样 本。 为了克服支持向量机方法在岩层识别问题中的 这种弊端，本文提出了一种基于有序聚类的支持向 量机算法对岩层进行识别。 １ 相关理论 １．１ 支持向量机 支持向量机的基本思想是寻找一个超平面，将 属于 ２ 个不同类别的样本无误地分开，且分类间隙 要最大。 对于非线性问题，可以通过非线性映射 φ： Ｒ Ｎ → Ｈ 把数据从原空间 （Ｒ Ｎ ） 映射到某个高维空 间 （Ｈ） 里，在变换空间求最优分类面。 对于非线性样本集： Ｔ ＝ ｛（ｘ１ ，ｙ１ ），（ｘ２ ，ｙ２ ），…，（ｘｎ ，ｙｎ ）｝ 式中： ｘｉ ∈ Ｒ Ｎ 为 Ｎ 维向量， ｙｉ ∈ ｛１， － １｝ 。 在高维 空间中，则存在最优分类面： （φ（ｘ），ｗ） ＋ ｂ ＝ ０ 满足条件： ｍｉｎ φ（ｗ） ＝ １ ２ （ｗ·ｗ） ｙｉ（φ（ｘｉ），ｗ） ＋ ｂ ≥ １， ｉ ＝ １，２，…，ｎ （１） 式（１）是凸二次优化问题，引入拉格朗日函数： Ｌ（ｗ，ｂ，ａ） ＝ １ ２ ‖ｗ‖２ －∑ ｎ ｉ ＝ １ ａｉ［ｙｉ（ｗ·φ（ｘｉ） ＋ ｂ） － １］ 式中： ａｉ ≥ ０ 为拉格朗日乘子。 为求 Ｌ（ｗ，ｂ，ａ） 的 最小值，分别对 ｗ、ｂ、ａ 求偏导，得 ∂Ｌ ∂ｗ ＝ ０⇒ｗ ＝ ∑ ｎ ｉ ＝ １ ａｉ ｙｉφ（ｘｉ） ∂Ｌ ∂ｂ ＝ ０⇒∑ ｎ ｉ ＝ １ ａｉ ｙｉ ＝ ０ ∂Ｌ ∂ａｉ ＝ ０⇒ａｉ［ｙｉ（ｗ·φ（ｘｉ） ＋ ｂ） － １］ ＝ ０ ì î í ï ï ï ï ï ï ïï （２） 根据式（１）和式（２）的约束条件，可转化成对偶 问题为 ｍａｘ∑ ｎ ｉ ＝ １ ａｉ － １ ２ ∑ ｎ ｉ，ｊ ＝ １ ａｉａｊ ｙｉ ｙｊＫ（ｘｉ·ｘｊ）， ａｉ ≥ ０，ｉ ＝ １，２，…，ｎ ∑ ｎ ｉ ＝ １ ａｉ ｙｉ ＝ ０ ì î í ï ï ï ï ï ï 这是一个二次函数极值问题，故存在惟一解。 若 ａ ∗ ｉ 为最优解，则有 ｗ ∗ ＝ ∑ ｎ ｉ ＝ １ ａ ∗ ｉ ｙｉφ（ｘｉ） 式中： ａ ∗ ｉ 是不为零的样本，称为支持向量。 ｂ ∗ 是分 类阈值，可由约束条件 ａｉ［ｙｉ（ｗ·φ（ｘｉ） ＋ ｂ） － １］ ＝ ０ 求解。 解得上述问题后可得到二分类最优分类函数为 ｆ（ｘ） ＝ ｓｇｎ（∑ ｎ ｉ ＝ １ ａ ∗ ｉ ｙｉＫ（ｘｉ，ｘ） ＋ ｂ ∗ ） 式中： Ｋ（ｘｉ，ｘ） 为核函数。 １．２ 有序聚类算法 有序聚类算法是多元统计分析中针对有序样本 的一种统计分类方法。 其基本思想是：首先将待分 类的 ｎ 个样本看作 １ 类，然后根据离差平方和类内 最小以及类间最大准则分为 ２ 类、３ 类……一直到 所需的 ｋ 类为止。 假设每个样本有 ｍ 个特征指标，则 ｎ 个样本形 成的数据矩阵如下： Ｘ ＝ （ｘｉｊ）ｎ×ｍ ＝ ｘ１１ ｘ１２ … ｘ１ｍ ｘ２１ ｘ２２ … ｘ２ｍ ︙ ︙ ︙ ︙ ｘｎ１ ｘｎ２ … ｘｎｍ é ë ê ê ê ê ê ù û ú ú ú ú ú 式中：元素 ｘｉｊ 表示第 ｉ 个样本第 ｊ 个特征指标值。 首先利用这些特征指标值计算层内变差矩阵 Ｄ ＝ （ｄｉｊ）ｎ×ｎ ， 其中： ｄｉｊ ＝ ∑ ｊ α ＝ ｉ∑ ｍ β ｘαβ － ｘβ [ (ｉ，ｊ) ] ２ ，１ ≤ ｉ ≤ ｊ ≤ ｎ ｘβ (ｉ，ｊ) ＝ [１ ／ (ｊ － ｉ ＋ １) ] ∑ ｊ α ＝ ｉ ｘαβ ，β ＝ １，２，…，ｍ 然后记 ｂ（ｎ，ｋ） 是有序样本分为 ｋ 层的某一种 方法， 则 其 层 内 离 差 平 方 和 为 Ｌ [ｂ (ｎ，ｋ) ] 。 当 Ｌ [ｂ (ｎ，ｋ) ] 越小，即各层间的离差平方和越小，分 层就越合理。 要使 Ｌ [ｂ (ｎ，ｋ) ] 达到极小值的分法， 第 １ 期 张多，等：基于支持向量机和有序聚类的岩层识别 ·９９·

·100 智能系统学报 第9卷 就是寻求最佳分点(-1，…j2)。记P(n,k)为 表1相关系数与相关程度对应关系 将有序样本分为k层的最佳分法，为得到最佳分层 Table 1 Correlation coefficient and degree of correlation 方法，利用递推公式： 相关系数 相关程度 L[P(n,2)]=mi(d(1j-1)+dG,n)(3) 0.00-±0.30 微相关 L[P(n,k)]min (L[P(j-1,k-1)]+d(j,n)) k宝程 (4) ±0.30-±0.50 实相关 由递推公式可以看出，要求得最佳分法P(n,k),需 ±0.50-±0.80 显著相关 先找第k层最佳分点jk,使L[P(n,k)]达到最小。 ±0.80-±1.00 高度相关 L[P(n,k)]=L[P(4-1,k-1)]+d(j,n) 最后，利用类似的方法依次可得到最佳分点 2.4归一化处理 jk-1j-2,…j2。 由于不同测井曲线的刻度和量纲各不相同，在 采用多种曲线进行自动分层时，有必要将测井曲线 2岩层自动分层 归一化到[0,1]内，以消除因刻度和量纲所产生的 基于上述理论，本文提出了一种基于有序聚类 影响。归一化公式为 的支持向量机分类算法，首先对测井数据进行预处 3xi一xmin 理：异常数据的处理、数据的滤波，其次选取测井曲 := Xmux -Xmin 线，并对其进行归一化处理，利用有序聚类算法初步 式中：x:为测井曲线上对应的测井深度i的测井值， 分层，获取训练样本，最后利用训练后的支持向量机 y:为x:的归一化值，x和x分别为测井曲线中的 进行预测，实现岩层的自动分层。 最大值和最小值。 2.1处理异常数据 2.5利用有序聚类初分层 在对岩层进行探测时，由于非岩层因素引起的 根据上述有序聚类算法，对岩层进行初步分层， 干扰，会出现异常数据，即有的数据比相应测井曲线 首先利用测井数据值计算层内变差矩阵D,然后根 数据的平均值大很多或者小很多。异常数据不仅干 据递推公式(3)、(4)，可逐步求得岩层的最佳分点 扰有效数据，影响后面的数据处理，如归一化等，而 即可获得岩层的初步分层结果{，k-1,…2}。 且对后面岩层自动分层的精确度产生影响，故采用 2.6利用支持向量机二次分层 邻近数据平均值代替异常数据)。 由于有序聚类算法所要求的分界点只满足层内 2.2平滑滤波 离差平方和最小以及层间离差平方和最大，而没有 经过异常数据处理后的测井曲线，从数字信号 完全反映出测井数据与岩层类别的对应关系，故利 处理角度来看，由于自身携带了大量的噪声干扰信 用支持向量机对岩层进行二次分层，其步骤如下： 号，故测井曲线出现了毛刺，为了消除测井曲线的毛 1)获取训练样本：根据有序聚类初步分层结 刺干扰，对测井曲线进行中值滤波。 果，选取各层质心离差平方和最小的连续30个数据 假设测井数据序列：x1,x2,…,xx,选取窗口长 样本作为各层的训练样本。 度为2n+1的滤波器对该序列进行滤波，则步骤为 2)训练支持向量机：选取“一对一”多类分类器 如下： 作为支持向量机分类器，选取RBF核函数作为支持 1)选出以x:为中心的2n+1个数据x-a,x-a+1, 向量机的核函数[4]，利用有序聚类算法获得的训 “,x,…,x+m-1,x4m,对这2n+1个数据排序： 练样本来训练支持向量机，最终获得多类分类器： 2)选取排序后的中间项作为x,的滤波值： 3)自上而下迭代计算测井数据的滤波值。 f=g(GkKg)+6)1=12,2 k(k-1) 2.3选取测井曲线 3)对岩层进行分层：利用训练后的支持向量机 由于测井数据是按井深的递进变化对应着多种 分类器去预测岩层类别。 测井曲线的。1)由于测井曲线过多，导致分析问题 3实验结果与分析 的复杂度变大：2)实际上有的测井曲线之间相关性 较大，故可对所有的测井曲线做相关性分析，找出高 在CPU为2.53GHz、内存为2GB、操作系统为 度相关的测井曲线，从这些高度相关的测井曲线中 Windows7的PC机上，运用MATLAB7.l软件进行数 选择一种。相关性系数与相关程度对应关系如 字仿真。仿真实验所采用的测井数据来源于中国数 表1。 学建模网，选取其中3口井进行预测。其中每口井

就是寻求最佳分点 （ｊ ｋ，ｊ ｋ－１ ，…，ｊ ２ ） 。 记 Ｐ（ｎ，ｋ） 为 将有序样本分为 ｋ 层的最佳分法，为得到最佳分层 方法，利用递推公式： Ｌ [Ｐ（ｎ，２） ] ＝ ｍｉｎ ２≤ｊ≤ｎ （ｄ（１，ｊ － １） ＋ ｄ（ｊ，ｎ）） （３） Ｌ [Ｐ（ｎ，ｋ） ] ＝ ｍｉｎ ｋ≤ｊ≤ｎ （Ｌ [Ｐ（ｊ － １，ｋ － １） ] ＋ ｄ（ｊ，ｎ）） （４） 由递推公式可以看出，要求得最佳分法 Ｐ（ｎ，ｋ）， 需 先找第 ｋ 层最佳分点 ｊ ｋ ，使 Ｌ [Ｐ（ｎ，ｋ） ] 达到最小。 Ｌ [Ｐ（ｎ，ｋ） ] ＝ Ｌ Ｐ（ｊ ｋ [ － １，ｋ － １） ] ＋ ｄ（ｊ ｋ，ｎ） 最后，利用类似的方法依次可得到最佳分点 ｊ ｋ－１ ，ｊ ｋ－２ ，…，ｊ ２ 。 ２ 岩层自动分层 基于上述理论，本文提出了一种基于有序聚类 的支持向量机分类算法，首先对测井数据进行预处 理：异常数据的处理、数据的滤波，其次选取测井曲 线，并对其进行归一化处理，利用有序聚类算法初步 分层，获取训练样本，最后利用训练后的支持向量机 进行预测，实现岩层的自动分层。 ２．１ 处理异常数据 在对岩层进行探测时，由于非岩层因素引起的 干扰，会出现异常数据，即有的数据比相应测井曲线 数据的平均值大很多或者小很多。 异常数据不仅干 扰有效数据，影响后面的数据处理，如归一化等，而 且对后面岩层自动分层的精确度产生影响，故采用 邻近数据平均值代替异常数据［１３］ 。 ２．２ 平滑滤波 经过异常数据处理后的测井曲线，从数字信号 处理角度来看，由于自身携带了大量的噪声干扰信 号，故测井曲线出现了毛刺，为了消除测井曲线的毛 刺干扰，对测井曲线进行中值滤波。 假设测井数据序列： ｘ１ ，ｘ２ ，…，ｘＮ ，选取窗口长 度为 ２ｎ ＋ １ 的滤波器对该序列进行滤波，则步骤为 如下： １）选出以 ｘｉ 为中心的 ２ｎ ＋ １ 个数据 ｘｉ－ｎ ，ｘｉ－ｎ＋１ ， …，ｘｉ，…，ｘｉ＋ｎ－１ ，ｘｉ＋ｎ ， 对这 ２ｎ ＋ １ 个数据排序； ２）选取排序后的中间项作为 ｘｉ 的滤波值； ３）自上而下迭代计算测井数据的滤波值。 ２．３ 选取测井曲线 由于测井数据是按井深的递进变化对应着多种 测井曲线的。 １）由于测井曲线过多，导致分析问题 的复杂度变大；２）实际上有的测井曲线之间相关性 较大，故可对所有的测井曲线做相关性分析，找出高 度相关的测井曲线，从这些高度相关的测井曲线中 选择一种。 相关性系数与相关程度对应关系如 表 １。 表 １ 相关系数与相关程度对应关系 Ｔａｂｌｅ １ Ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ａｎｄ ｄｅｇｒｅｅ ｏｆ ｃｏｒｒｅｌａｔｉｏｎ 相关系数 相关程度 ０．００～ ±０．３０ 微相关 ±０．３０～ ±０．５０ 实相关 ±０．５０～ ±０．８０ 显著相关 ±０．８０～ ±１．００ 高度相关 ２．４ 归一化处理 由于不同测井曲线的刻度和量纲各不相同，在 采用多种曲线进行自动分层时，有必要将测井曲线 归一化到［０，１］内，以消除因刻度和量纲所产生的 影响。 归一化公式为 ｙｉ ＝ ｘｉ － ｘｍｉｎ ｘｍａｘ － ｘｍｉｎ 式中： ｘｉ 为测井曲线上对应的测井深度 ｉ 的测井值， ｙｉ 为 ｘｉ 的归一化值， ｘｍａｘ 和 ｘｍｉｎ 分别为测井曲线中的 最大值和最小值。 ２．５ 利用有序聚类初分层 根据上述有序聚类算法，对岩层进行初步分层， 首先利用测井数据值计算层内变差矩阵 Ｄ，然后根 据递推公式（３）、（４），可逐步求得岩层的最佳分点， 即可获得岩层的初步分层结果 ｛ｊ ｋ，ｊ ｋ－１ ，…，ｊ ２ ｝ 。 ２．６ 利用支持向量机二次分层 由于有序聚类算法所要求的分界点只满足层内 离差平方和最小以及层间离差平方和最大，而没有 完全反映出测井数据与岩层类别的对应关系，故利 用支持向量机对岩层进行二次分层，其步骤如下： １）获取训练样本：根据有序聚类初步分层结 果，选取各层质心离差平方和最小的连续 ３０ 个数据 样本作为各层的训练样本。 ２）训练支持向量机：选取“一对一”多类分类器 作为支持向量机分类器，选取 ＲＢＦ 核函数作为支持 向量机的核函数［１４⁃１５］ ，利用有序聚类算法获得的训 练样本来训练支持向量机，最终获得多类分类器： ｆ ｌ（ｘ）＝ ｓｇｎ（∑ ｎ ｉ ＝１ ａ ∗ ｉ ｙｉＫ（ｘｉ，ｘ） ＋ ｂ ∗ ），ｌ ＝ １，２，…， ｋ（ｋ － １） ２ ３）对岩层进行分层：利用训练后的支持向量机 分类器去预测岩层类别。 ３ 实验结果与分析 在 ＣＰＵ 为 ２．５３ＧＨｚ、内存为 ２ＧＢ、操作系统为 Ｗｉｎｄｏｗｓ７ 的 ＰＣ 机上，运用 ＭＡＴＬＡＢ７．１ 软件进行数 字仿真。 仿真实验所采用的测井数据来源于中国数 学建模网，选取其中 ３ 口井进行预测。 其中每口井 ·１００· 智 能 系 统 学 报 第 ９ 卷

第1期 张多，等：基于支持向量机和有序聚类的岩层识别 ·101- 各有66项指标。利用相关性分析方法对所有影响 岩性的测井曲线进行筛选，最终选取10种测井曲线 5 来指示岩性，选取结果见表2。 43 表2测并曲线的选取 2 Table 2 Selection of logging curves 300 350 400450 500550 序号 测井曲线名称 井深/m 密度测井曲线(DEN) (a)1号井 2 4M电阻率测井曲线(R4.0) 6543 3 自然电位测井曲线(SP) 4 井斜测井曲线(DEVi) 250 300 350400 450 500 井深m 5 井斜方位测井曲线(AZm) b)2号井 6 自然伽马测井曲线(GR) 7 声波测井曲线(AC) 543 1 8 微侧向电阻率测井曲线(RL) 250 300 350400 450500 9 井径测井曲线(CAL) 井深m (C)3号井 10 电阻率测井曲线(RT) ……实际分层一算法1分层 1~3号井各有6种岩层，从一定深度开始，对各 图1算法1分层结果与实际分层结果对比 口井进行岩层划分和命名，依次为岩1层，岩2层， Fig.1 Comparison of layered results of algorithm 1 and …,岩6层。其中1号井的井深范围为294.0 actual situation 530.2m,2号井的井深范围为257.0-297.5m,3号 井的井深范围为249.4~496.0m,各口井中每米测 4 试8个点，且已知各口井的实际分层情况。根据前 3 述的岩层自动分层步骤，对1~3号井的实际测井数 据利用新算法进行岩层的自动分层。同时，本文与 300 350 400450 500550 文献[8]的算法做对比，以验证新算法的有效性。 井深/m (a1号井 实验结果如图1、图2和表3所示（本文提出的新算 6r 法简记为算法1，文献[8]的算法简记为算法2)。 从图1和图2可以直观地看出，新算法分层结 果更接近于实际分层情况，即新算法优于文献[8] 2 的算法。同时，从表3可以看出，利用新算法进行岩 250 300 350.400 450500 层识别，每种岩层的平均准确率能达到85%，而利 井深m b)2号井 用文献[8]的算法进行岩层识别，其平均准确率只 能达到70%。主要原因在于文献[8]采用同地区其 他井中已知岩层类别的测井数据作为训练集，虽然 0543 同地区相邻井在某些方面具有相同的属性和联系， 但并不能完全反映出待预测井中每种岩层的特性。 250 300 350400 450500 相对于文献[8]提出的算法，新算法主要优势在于 井深/m 利用有序聚类算法进行初步分层，然后根据初步分 (c)3号井 层结果来选取训练样本，所选取的训练样本能够很 …实际分层一算法2分层 好地反映出各口井中岩层的特性，这样经测井数据 图2算法2分层结果与实际分层结果对比 训练后的支持向量机才具有更好的分类能力，分层 Fig.2 Comparison of layered results of algorithm 2 and 准确率才会更高。 actual situation

各有 ６６ 项指标。 利用相关性分析方法对所有影响 岩性的测井曲线进行筛选，最终选取 １０ 种测井曲线 来指示岩性，选取结果见表 ２。 表 ２ 测井曲线的选取 Ｔａｂｌｅ ２ Ｓｅｌｅｃｔｉｏｎ ｏｆ ｌｏｇｇｉｎｇ ｃｕｒｖｅｓ 序号 测井曲线名称 １ 密度测井曲线（ＤＥＮ） ２ ４Ｍ 电阻率测井曲线（Ｒ４．０） ３ 自然电位测井曲线（ＳＰ） ４ 井斜测井曲线（ＤＥＶｉ） ５ 井斜方位测井曲线（ＡＺＩｍ） ６ 自然伽马测井曲线（ＧＲ） ７ 声波测井曲线（ＡＣ） ８ 微侧向电阻率测井曲线（ＲＭＬ） ９ 井径测井曲线（ＣＡＬ） １０ 电阻率测井曲线（ＲＴ） １～３ 号井各有 ６ 种岩层，从一定深度开始，对各 口井进行岩层划分和命名，依次为岩 １ 层，岩 ２ 层， …，岩 ６ 层。 其中 １ 号井的井深范围为 ２９４． ０ ～ ５３０．２ ｍ，２ 号井的井深范围为 ２５７．０ ～ ２９７．５ ｍ，３ 号 井的井深范围为 ２４９．４ ～ ４９６．０ ｍ，各口井中每米测 试 ８ 个点，且已知各口井的实际分层情况。 根据前 述的岩层自动分层步骤，对 １ ～ ３ 号井的实际测井数 据利用新算法进行岩层的自动分层。 同时，本文与 文献［８］ 的算法做对比，以验证新算法的有效性。 实验结果如图 １、图 ２ 和表 ３ 所示（本文提出的新算 法简记为算法 １，文献［８］的算法简记为算法 ２）。 从图 １ 和图 ２ 可以直观地看出，新算法分层结 果更接近于实际分层情况，即新算法优于文献［８］ 的算法。 同时，从表 ３ 可以看出，利用新算法进行岩 层识别，每种岩层的平均准确率能达到 ８５％，而利 用文献［８］的算法进行岩层识别，其平均准确率只 能达到 ７０％。 主要原因在于文献［８］采用同地区其 他井中已知岩层类别的测井数据作为训练集，虽然 同地区相邻井在某些方面具有相同的属性和联系， 但并不能完全反映出待预测井中每种岩层的特性。 相对于文献［８］提出的算法，新算法主要优势在于 利用有序聚类算法进行初步分层，然后根据初步分 层结果来选取训练样本，所选取的训练样本能够很 好地反映出各口井中岩层的特性，这样经测井数据 训练后的支持向量机才具有更好的分类能力，分层 准确率才会更高。 图 １ 算法 １ 分层结果与实际分层结果对比 Ｆｉｇ．１ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｌａｙｅｒｅｄ ｒｅｓｕｌｔｓ ｏｆ ａｌｇｏｒｉｔｈｍ １ ａｎｄ ａｃｔｕａｌ ｓｉｔｕａｔｉｏｎ 图 ２ 算法 ２ 分层结果与实际分层结果对比 Ｆｉｇ．２ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｌａｙｅｒｅｄ ｒｅｓｕｌｔｓ ｏｆ ａｌｇｏｒｉｔｈｍ ２ ａｎｄ ａｃｔｕａｌ ｓｉｔｕａｔｉｏｎ 第 １ 期 张多，等：基于支持向量机和有序聚类的岩层识别 ·１０１·

·102· 智能系统学报 第9卷 表3算法1与算法2分层准确率比较 Table 3 Comparison of the accuracy of algorithm 1 and algorithm 2 预测 岩1层 岩2层 岩3层 岩4层 岩5层 岩6层 井号 算法1 算法2 算法1 算法2 算法1 算法2算法1 算法2算法1算法2 算法1 算法2 1号井 77.8 63.8 100.0 74.1 75.0 60.7 82.6 70.2 100.0 75.6 83.9 68.7 2号井 100.0 77.2 64.5 59.3 100.0 73.4 83.9 76.9 66.2 61.2 100.0 78.5 3号井 79.4 66.8 100.0 75.6 68.7 63.2 100.0 79.8 86.9 72.5 71.8 59.6 平均 85.7 69.3 84.8 69.7 77.9 65.8 88.8 75.6 84.4 69.8 85.2 69.0 (4)：389-396 4 结束语 [5]张明玉.极值方差聚类法在测井分层取值中的应用[J]· 岩层识别是地球物理勘探的基础性工作，岩层 新疆石油地质，2002,23(5)：429-431. 识别的准确率将直接影响后续工作的有效开展，本 ZHANG Mingyu.Application of minimax variance cluster a- 文提出了一种基于有序聚类的支持向量机岩层识别 nalysis method in well log layering[J].Xinjiang Petroleum Geolos,2002,23(5):429-431. 算法。首先，该算法首先利用有序聚类进行初步分 [6]宋延杰，张剑风，闫伟林，等.基于支持向量机的复杂岩性 层：其次，根据初步分层结果提取出支持向量机所需 测井识别方法[J].大庆石油学院学报，2007,31(5)： 的训练样本：最后，利用训练后的支持向量机进行第 18-20 2次分层，得出相应的分类结果。该算法不同于常 SONG Yanjie,ZHANG Jianfeng,YAN Weilin,et al.A new 规的支持向量机算法，它不需要已知岩层类别的测 identification method for complex lithology with support vec- 井数据，也就是说能够间接通过有序聚类对未知岩 tor machine[J].Journal of Daqing Petroleum Institute, 层类别的测井数据进行初步识别，提高识别精度。 2007,31(5):18-20. 仿真实验结果表明，该算法不仅很好地解决了已有 [7]赵军，程鹏飞，刘地渊，等.支持向量机在水淹层测井识别 算法必须依赖已知岩层类别的测井数据的弊端，而 的应用J].物探与化探，2008,32(6)：652-655. 且具有较高的准确率，每种岩层的平均准确率为 ZHAO Jun,CHENG Pengfei,LIU Diyuan,et al.The appli- 85%,明显高于以往研究的70%。然而，该算法仍具 cation of the support vector machine to the recognition of 有局限性，如岩层分层数需要人为设定，以及如何选 flooding formation[J].Geophysical and Geochemical Explo- ration,2008,32(6):652-655. 取核函数等，这都将是下一步的研究方向。 [8]文政，高松洋，毕广武支持向量机在复杂岩性测井识别 参考文献： 中的应用[J].大庆石油地质与开发，2009,28(1)：134- 137 [1]林海燕，戴云，肖慈珣.一种基于沃希变换的测井自动分 WEN Zheng,GAO Songyang,BI Guangwu.Application of 层方法[J].成都理工学院学报，1999,26(1)：5257. support vector machine (SVM)in complex lithology identi- LIN Haiyan,DAI Yun,XIAO Cixun.A well-log automated fication by well logging[J].Petroleum Geology and Oilfield identification of rock boundaries method based on Walsh Development in Daqing,2009,28(1):134-137. transform[]].Journal of Chengdu University of Technology, [9]VAPNIK V.The nature of statistical learning theory M]. 1999,26(1):52-57. New York,USA:Springer-Verlag,1995. [2]肖波，韩学辉，周开金.测井曲线自动分层方法回归与展 [10]刘跃辉，郑建东基于支持向量机原理的复杂地层岩性 望[J].地球物理学进展，2010,25(5)：1802-1810. 识别方法[J].国外测井技术，2011(4)：22-26. XIAO Bo,HAN Xuehui,ZHOU Kaijin.A review and out- LIU Yuehui,ZHENG Jiandong.The lithology identification look of automatic zonation methods of well log[J].Progress method based on support vector machine principle [J]. in Geophysics,2010,25(5):1802-1810. World Well Logging Technology,2011(4):22-26. [3]WOLF M,PELISSIER-COMBESCURE J.Faciolog automat- [11]李茂宽，关键基于模糊C均值的支持向量机数据分类 ic electrofacies determination [C ]//SPWLA 23rd Annual 识别[J].系统仿真学报，2005,17(7)：1785-1787. Logging Symposium.Corpus Christi,USA,1982:6-9. LI Maokuan,GUAN Jian.Data classification and recogni- [4]HAWKINS D M,MERRIAM D F.Optimal zonation of digi- tion of support vector machines based on fuzzy C-means tized sequential data[J].Mathematical Geology,1973,5 clustering J].Journal of System Simulation,2005,17

表 ３ 算法 １ 与算法 ２ 分层准确率比较 Ｔａｂｌｅ ３ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ａｌｇｏｒｉｔｈｍ １ ａｎｄ ａｌｇｏｒｉｔｈｍ ２ ％ 预测 井号 岩 １ 层 岩 ２ 层 岩 ３ 层 岩 ４ 层 岩 ５ 层 岩 ６ 层 算法 １ 算法 ２ 算法 １ 算法 ２ 算法 １ 算法 ２ 算法 １ 算法 ２ 算法 １ 算法 ２ 算法 １ 算法 ２ １ 号井 ７７．８ ６３．８ １００．０ ７４．１ ７５．０ ６０．７ ８２．６ ７０．２ １００．０ ７５．６ ８３．９ ６８．７ ２ 号井 １００．０ ７７．２ ６４．５ ５９．３ １００．０ ７３．４ ８３．９ ７６．９ ６６．２ ６１．２ １００．０ ７８．５ ３ 号井 ７９．４ ６６．８ １００．０ ７５．６ ６８．７ ６３．２ １００．０ ７９．８ ８６．９ ７２．５ ７１．８ ５９．６ 平 均 ８５．７ ６９．３ ８４．８ ６９．７ ７７．９ ６５．８ ８８．８ ７５．６ ８４．４ ６９．８ ８５．２ ６９．０ ４ 结束语 岩层识别是地球物理勘探的基础性工作，岩层 识别的准确率将直接影响后续工作的有效开展，本 文提出了一种基于有序聚类的支持向量机岩层识别 算法。 首先，该算法首先利用有序聚类进行初步分 层；其次，根据初步分层结果提取出支持向量机所需 的训练样本；最后，利用训练后的支持向量机进行第 ２ 次分层，得出相应的分类结果。 该算法不同于常 规的支持向量机算法，它不需要已知岩层类别的测 井数据，也就是说能够间接通过有序聚类对未知岩 层类别的测井数据进行初步识别，提高识别精度。 仿真实验结果表明，该算法不仅很好地解决了已有 算法必须依赖已知岩层类别的测井数据的弊端，而 且具有较高的准确率，每种岩层的平均准确率为 ８５％，明显高于以往研究的 ７０％。 然而，该算法仍具 有局限性，如岩层分层数需要人为设定，以及如何选 取核函数等，这都将是下一步的研究方向。 参考文献： ［１］林海燕，戴云，肖慈珣．一种基于沃希变换的测井自动分 层方法［Ｊ］．成都理工学院学报， １９９９， ２６（１）： ５２⁃５７． ＬＩＮ Ｈａｉｙａｎ， ＤＡＩ Ｙｕｎ， ＸＩＡＯ Ｃｉｘｕｎ． Ａ ｗｅｌｌ⁃ｌｏｇ ａｕｔｏｍａｔｅｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｒｏｃｋ ｂｏｕｎｄａｒｉｅｓ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ Ｗａｌｓｈ ｔｒａｎｓｆｏｒｍ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｎｇｄｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， １９９９， ２６（１）： ５２⁃５７． ［２］肖波，韩学辉，周开金．测井曲线自动分层方法回归与展 望［Ｊ］．地球物理学进展， ２０１０， ２５（５）： １８０２⁃１８１０． ＸＩＡＯ Ｂｏ， ＨＡＮ Ｘｕｅｈｕｉ， ＺＨＯＵ Ｋａｉｊｉｎ． Ａ ｒｅｖｉｅｗ ａｎｄ ｏｕｔ⁃ ｌｏｏｋ ｏｆ ａｕｔｏｍａｔｉｃ ｚｏｎａｔｉｏｎ ｍｅｔｈｏｄｓ ｏｆ ｗｅｌｌ ｌｏｇ［ Ｊ］． Ｐｒｏｇｒｅｓｓ ｉｎ Ｇｅｏｐｈｙｓｉｃｓ， ２０１０， ２５（５）： １８０２⁃１８１０． ［３］ＷＯＬＦ Ｍ， ＰＥＬＩＳＳＩＥＲ⁃ＣＯＭＢＥＳＣＵＲＥ Ｊ． Ｆａｃｉｏｌｏｇ ａｕｔｏｍａｔ⁃ ｉｃ ｅｌｅｃｔｒｏｆａｃｉｅｓ ｄｅｔｅｒｍｉｎａｔｉｏｎ ［ Ｃ］ ／ ／ ＳＰＷＬＡ ２３ｒｄ Ａｎｎｕａｌ Ｌｏｇｇｉｎｇ Ｓｙｍｐｏｓｉｕｍ． Ｃｏｒｐｕｓ Ｃｈｒｉｓｔｉ， ＵＳＡ， １９８２： ６⁃９． ［４］ＨＡＷＫＩＮＳ Ｄ Ｍ， ＭＥＲＲＩＡＭ Ｄ Ｆ． Ｏｐｔｉｍａｌ ｚｏｎａｔｉｏｎ ｏｆ ｄｉｇｉ⁃ ｔｉｚｅｄ ｓｅｑｕｅｎｔｉａｌ ｄａｔａ ［ Ｊ］． Ｍａｔｈｅｍａｔｉｃａｌ Ｇｅｏｌｏｇｙ， １９７３， ５ （４）： ３８９⁃３９６． ［５］张明玉．极值方差聚类法在测井分层取值中的应用［ Ｊ］． 新疆石油地质， ２００２， ２３（５）： ４２９⁃４３１． ＺＨＡＮＧ Ｍｉｎｇｙｕ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｍｉｎｉｍａｘ ｖａｒｉａｎｃｅ ｃｌｕｓｔｅｒ ａ⁃ ｎａｌｙｓｉｓ ｍｅｔｈｏｄ ｉｎ ｗｅｌｌ ｌｏｇ ｌａｙｅｒｉｎｇ［ Ｊ］． Ｘｉｎｊｉａｎｇ Ｐｅｔｒｏｌｅｕｍ Ｇｅｏｌｏｇｙ， ２００２， ２３（５）： ４２９⁃４３１． ［６］宋延杰，张剑风，闫伟林，等．基于支持向量机的复杂岩性 测井识别方法［ Ｊ］．大庆石油学院学报， ２００７， ３１（ ５）： １８⁃２０． ＳＯＮＧ Ｙａｎｊｉｅ， ＺＨＡＮＧ Ｊｉａｎｆｅｎｇ， ＹＡＮ Ｗｅｉｌｉｎ， ｅｔ ａｌ． Ａ ｎｅｗ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｃｏｍｐｌｅｘ ｌｉｔｈｏｌｏｇｙ ｗｉｔｈ ｓｕｐｐｏｒｔ ｖｅｃ⁃ ｔｏｒ ｍａｃｈｉｎｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｄａｑｉｎｇ Ｐｅｔｒｏｌｅｕｍ Ｉｎｓｔｉｔｕｔｅ， ２００７， ３１（５）： １８⁃２０． ［７］赵军，程鹏飞，刘地渊，等．支持向量机在水淹层测井识别 的应用［Ｊ］．物探与化探， ２００８， ３２（６）： ６５２⁃６５５． ＺＨＡＯ Ｊｕｎ， ＣＨＥＮＧ Ｐｅｎｇｆｅｉ， ＬＩＵ Ｄｉｙｕａｎ， ｅｔ ａｌ． Ｔｈｅ ａｐｐｌｉ⁃ ｃａｔｉｏｎ ｏｆ ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｔｏ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｆｌｏｏｄｉｎｇ ｆｏｒｍａｔｉｏｎ［Ｊ］． Ｇｅｏｐｈｙｓｉｃａｌ ａｎｄ Ｇｅｏｃｈｅｍｉｃａｌ Ｅｘｐｌｏ⁃ ｒａｔｉｏｎ， ２００８， ３２（６）： ６５２⁃６５５． ［８］文政，高松洋，毕广武．支持向量机在复杂岩性测井识别 中的应用［Ｊ］．大庆石油地质与开发， ２００９， ２８（１）： １３４⁃ １３７． ＷＥＮ Ｚｈｅｎｇ， ＧＡＯ Ｓｏｎｇｙａｎｇ， ＢＩ Ｇｕａｎｇｗｕ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ （ＳＶＭ） ｉｎ ｃｏｍｐｌｅｘ ｌｉｔｈｏｌｏｇｙ ｉｄｅｎｔｉ⁃ ｆｉｃａｔｉｏｎ ｂｙ ｗｅｌｌ ｌｏｇｇｉｎｇ［Ｊ］． Ｐｅｔｒｏｌｅｕｍ Ｇｅｏｌｏｇｙ ａｎｄ Ｏｉｌｆｉｅｌｄ Ｄｅｖｅｌｏｐｍｅｎｔ ｉｎ Ｄａｑｉｎｇ， ２００９， ２８（１）： １３４⁃１３７． ［９］ＶＡＰＮＩＫ Ｖ． Ｔｈｅ ｎａｔｕｒｅ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ ［ Ｍ］． Ｎｅｗ Ｙｏｒｋ， ＵＳＡ： Ｓｐｒｉｎｇｅｒ⁃Ｖｅｒｌａｇ， １９９５． ［１０］刘跃辉，郑建东．基于支持向量机原理的复杂地层岩性 识别方法［Ｊ］．国外测井技术， ２０１１（４）： ２２⁃２６． ＬＩＵ Ｙｕｅｈｕｉ， ＺＨＥＮＧ Ｊｉａｎｄｏｎｇ． Ｔｈｅ ｌｉｔｈｏｌｏｇｙ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｐｒｉｎｃｉｐｌｅ ［ Ｊ ］． Ｗｏｒｌｄ Ｗｅｌｌ Ｌｏｇｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ， ２０１１（４）： ２２⁃２６． ［１１］李茂宽，关键．基于模糊 Ｃ 均值的支持向量机数据分类 识别［Ｊ］．系统仿真学报， ２００５， １７（７）： １７８５⁃１７８７． ＬＩ Ｍａｏｋｕａｎ， ＧＵＡＮ Ｊｉａｎ． Ｄａｔａ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉ⁃ ｔｉｏｎ ｏｆ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ Ｃ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍ Ｓｉｍｕｌａｔｉｏｎ， ２００５， １７ ·１０２· 智 能 系 统 学 报 第 ９ 卷

第1期 张多，等：基于支持向量机和有序聚类的岩层识别 ·103. (7):1785-1787 [15]郑延斌，李国和.支持向量机在地层识别中的应用[J] [12]柯永振，张加万，孙济洲，等.结合支持向量机与C均值 河南师范大学学报：自然科学版，2009,37(2)：37-39. 聚类的图像分割[J].计算机应用，2006,26(9)：2081 ZHENG Yanbin,LI Guohe.Application of support vector 2083. machine to stratum recognition[J].Journal of Henan Nor- KE Yongzhen,ZHANG Jiawan,SUN Jizhou,et al.Image mal University:Natural Science,2009,37(2):37-39. segmentation combining support vector machines with C. 作者简介： means[J].Journal of Computer Applications,2006,26 张多，女，1988年生，硕士研究生， (9):2081-2083. 主要研究方向为机器学习、人工智能。 [13]万应明，高峻，董建平，等.多测井曲线合成应用方法初 探[J].石油物探，2005,44(1)：71-75. WAN Yingming,GAO Jun,DONG Jianping,et al.The primary discussion to the application of synthetic multiple- logging[]]Geophysical Prospecting for Petroleum,2005, 44(1):71-75. 韩逢庆，男，1968年生，重庆市工业 [14]赵磊，李国和，马现峰基于支持向量机的地层识别研究 与应用数学学会理事，重庆市运筹学学 [J].计算机工程与应用，2006,35(1)：230-232 会理事。主要研究方向为机器学习、人 ZHAO Lei,LI Guohe,MA Xianfeng.Research of stratum 工智能、小波理论及应用等，发表学术 recognition based on support vector machine[].Computer 论文30余篇，其中被SCI,EI,ISTP检索 Engineering and Applications,2006,35(1):230-232. 20余篇。 第10届全国机器翻译研讨会 The 10th China Workshop on Machine Translation CWMT 2014) 第10届全国机器翻译研会(CWMT2014)于2014年11月在澳门大学举行。 全国机器翻译研讨会自2005年召开第一届以来，已连续成功组织召开了9届，共组织过5次机器翻译 评测(2007、2008、2009、2011、2013)，1次开源系统模块开发(2006)和2次战略研讨(2010、2012)，这些活动 对于推动我国机器翻译技术的研究和开发产生了积极而深远的影响。因此，CWMT已经成为我国自然语言 处理领域颇具影响的学术活动。 2005年由中科院自动化所、计算所和厦门大学联合发起并组织了第1届统计机器翻译技术评测及学术 研讨会，会议在厦门大学成功举办。随后，会议由中科院计算所、自动化所、软件所、哈尔滨工业大学和厦门 大学联合组织。2006一2013年分别在中科院计算所、哈尔滨工业大学、中科院自动化所、南京大学、中科院 软件所、厦门大学、西安理工大学、昆明理工大学成功召开。 CWT2014旨在为国内外机器翻译界同行提供一个交互平台，加强国内外同行的学术交流，召集各路 专家学者针对机器翻译的理论方法、应用技术和评测活动等若干基本关键问题进行深入的研讨，为促进中国 机器翻译事业的发展，起到积极的推动作用。有别于以往，本次会议特设2个专题讲座，将和与会者互动探 讨机器翻译最炽热的研究论点，而大会专题论坛汇集顶尖领域专家向大家揭示机器翻译最前沿的蓝图，本会 还邀请了国内外知名专家学者做相关的特邀报告。会议期间将选出最佳学生论文，并颁发证书和奖金。另 外，专为企业、用户、开发者而设的系统演示环节能让与会者展示及分享宝贵经验。 我们热诚地期待所有对机器翻译感兴趣的学者、企业界人土和学生积极参加本届全国机器翻译研讨会， 并欢迎任何单位和个人到会展示您的机器翻译系统。感谢大家对本届会议的关注和支持！ 会议网站：http:/www.cis.umac.mo/cwmt2014/ch/index..html

（７）： １７８５⁃１７８７． ［１２］柯永振，张加万，孙济洲，等．结合支持向量机与 Ｃ 均值 聚类的图像分割［Ｊ］．计算机应用， ２００６， ２６（９）： ２０８１⁃ ２０８３． ＫＥ Ｙｏｎｇｚｈｅｎ， ＺＨＡＮＧ Ｊｉａｗａｎ， ＳＵＮ Ｊｉｚｈｏｕ， ｅｔ ａｌ． Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｃｏｍｂｉｎｉｎｇ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｗｉｔｈ Ｃ⁃ ｍｅａｎｓ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００６， ２６ （９）： ２０８１⁃２０８３． ［１３］万应明，高峻，董建平，等．多测井曲线合成应用方法初 探［Ｊ］． 石油物探， ２００５， ４４（１）： ７１⁃７５． ＷＡＮ Ｙｉｎｇｍｉｎｇ， ＧＡＯ Ｊｕｎ， ＤＯＮＧ Ｊｉａｎｐｉｎｇ， ｅｔ ａｌ． Ｔｈｅ ｐｒｉｍａｒｙ ｄｉｓｃｕｓｓｉｏｎ ｔｏ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｙｎｔｈｅｔｉｃ ｍｕｌｔｉｐｌｅ⁃ ｌｏｇｇｉｎｇ［Ｊ］． Ｇｅｏｐｈｙｓｉｃａｌ Ｐｒｏｓｐｅｃｔｉｎｇ ｆｏｒ Ｐｅｔｒｏｌｅｕｍ， ２００５， ４４（１）： ７１⁃７５． ［１４］赵磊，李国和，马现峰．基于支持向量机的地层识别研究 ［Ｊ］．计算机工程与应用， ２００６， ３５（１）： ２３０⁃２３２． ＺＨＡＯ Ｌｅｉ， ＬＩ Ｇｕｏｈｅ， ＭＡ Ｘｉａｎｆｅｎｇ． Ｒｅｓｅａｒｃｈ ｏｆ ｓｔｒａｔｕｍ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００６， ３５（１）： ２３０⁃２３２． ［１５］郑延斌，李国和．支持向量机在地层识别中的应用［ Ｊ］． 河南师范大学学报：自然科学版， ２００９， ３７（２）： ３７⁃３９． ＺＨＥＮＧ Ｙａｎｂｉｎ， ＬＩ Ｇｕｏｈｅ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｔｏ ｓｔｒａｔｕｍ ｒｅｃｏｇｎｉｔｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｈｅｎａｎ Ｎｏｒ⁃ ｍａｌ Ｕｎｉｖｅｒｓｉｔｙ： Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ， ２００９， ３７（２）： ３７⁃３９． 作者简介： 张多，女，１９８８ 年生，硕士研究生， 主要研究方向为机器学习、人工智能。 韩逢庆，男，１９６８ 年生，重庆市工业 与应用数学学会理事，重庆市运筹学学 会理事。 主要研究方向为机器学习、人 工智能、小波理论及应用等，发表学术 论文 ３０ 余篇，其中被 ＳＣＩ、ＥＩ、ＩＳＴＰ 检索 ２０ 余篇。 第 １０ 届全国机器翻译研讨会 Ｔｈｅ １０ｔｈ Ｃｈｉｎａ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ （ＣＷＭＴ ２０１４） 第 １０ 届全国机器翻译研会（ＣＷＭＴ ２０１４）于 ２０１４ 年 １１ 月在澳门大学举行。 全国机器翻译研讨会自 ２００５ 年召开第一届以来，已连续成功组织召开了 ９ 届，共组织过 ５ 次机器翻译 评测（２００７、２００８、２００９、２０１１、２０１３），１ 次开源系统模块开发（２００６）和 ２ 次战略研讨（２０１０、２０１２），这些活动 对于推动我国机器翻译技术的研究和开发产生了积极而深远的影响。 因此，ＣＷＭＴ 已经成为我国自然语言 处理领域颇具影响的学术活动。 ２００５ 年由中科院自动化所、计算所和厦门大学联合发起并组织了第 １ 届统计机器翻译技术评测及学术 研讨会，会议在厦门大学成功举办。 随后，会议由中科院计算所、自动化所、软件所、哈尔滨工业大学和厦门 大学联合组织。 ２００６—２０１３ 年分别在中科院计算所、哈尔滨工业大学、中科院自动化所、南京大学、中科院 软件所、厦门大学、西安理工大学、昆明理工大学成功召开。 ＣＷＭＴ ２０１４ 旨在为国内外机器翻译界同行提供一个交互平台，加强国内外同行的学术交流，召集各路 专家学者针对机器翻译的理论方法、应用技术和评测活动等若干基本关键问题进行深入的研讨，为促进中国 机器翻译事业的发展，起到积极的推动作用。 有别于以往，本次会议特设 ２ 个专题讲座，将和与会者互动探 讨机器翻译最炽热的研究论点，而大会专题论坛汇集顶尖领域专家向大家揭示机器翻译最前沿的蓝图，本会 还邀请了国内外知名专家学者做相关的特邀报告。 会议期间将选出最佳学生论文，并颁发证书和奖金。 另 外，专为企业、用户、开发者而设的系统演示环节能让与会者展示及分享宝贵经验。 我们热诚地期待所有对机器翻译感兴趣的学者、企业界人士和学生积极参加本届全国机器翻译研讨会， 并欢迎任何单位和个人到会展示您的机器翻译系统。 感谢大家对本届会议的关注和支持！ 会议网站：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｉｓ．ｕｍａｃ．ｍｏ ／ ｃｗｍｔ２０１４ ／ ｃｈ ／ ｉｎｄｅｘ．ｈｔｍｌ 第 １ 期 张多，等：基于支持向量机和有序聚类的岩层识别 ·１０３·