基于优化fastICA盲源分离算法的地震属性融合方法研究

邱 玥,孙成禹,唐 杰

(中国石油大学(华东)地球科学与技术学院,山东青岛266580)

目前地震属性融合方法大致分为人工叠合、基于属性颜色融合和基于属性数据融合3类方法。人工叠合法操作简单但精度较低,对信息的综合处理及分析能力较差;基于属性颜色融合法以RGB技术[1-2]为代表,充分利用了地震属性中地质构造和岩性变化信息,但无法消除属性间的冗余信息;基于属性数据融合法包括多元线性回归、人工神经网络、独立分量分析等。这些方法直接对由数学统计和人工智能等手段提取得到的最优属性数据进行融合,能够获得更高精度和更可靠的融合效果。

与主成分分析(principal component analysis,PCA)方法相比,独立分量分析(independent component analysis,ICA)算法主要针对数据的高阶统计特性,能够有效地去除高阶统计特性中的冗余信息,更好地揭示数据的本质结构[3-4]。ZARZOSO等[5]提出了以最小互信息(minimum mutual information)为目标函数的方法。BELL等[6]提出了名为Informax的自适应算法,该算法通过选择逼近源信号概率分布的最佳非线性函数来有效地恢复源信号分量。YUAN等[7]提出了极大似然目标函数与非线性PCA方法。HYVARINEN等[8]提出了以峰度为目标函数的一种快速独立分量分析(fastICA)算法。普艳香[9]将fastICA算法引用到地震多属性分析中。李小霞[10]研究了ICA算法在宽频带数据谱融合中的应用。上述方法都未针对含噪地震属性融合进行研究。

本文采用具有鲁棒性强、统计特性明确的负熵近似[11]作为目标函数。避免了上述方法中目标函数复杂、非线性函数选取困难的缺点。……