Комплексный анализ геоданных при наличии эталонных объектов

№9. Комплексный анализ геоданных при наличии эталонных объектов

С помощью выбранного алгоритма (критерия) распознавания провести разделение пунктов наблюдения на два класса (например, рудные объекты и вмещающая среда) или на большое числа классов (например, задача геокартирования при априорно заданных распределениях значений каждого признака на эталонных объектах). Под эталонным объектом понимают объект установленной геологической природы, на котором проводится изучение статистических характеристик признаков. При этом важно иметь достаточно равномерное расположение эталонных объектов на площади исследования. В противном случае, т.е. при значительном смещении эталонов относительно области распознаваемых объектов, могут возникать существенные различия в статистических характеристиках признаков. Особенно это касается регионов со сложным геологическим строением, для которых характерна сильная изменчивость геофизических полей в пределах небольших участков.

1. Комплексный анализ на основе статистических решений: алгоритм по проверке статистических гипотез базируется на критериях принятия статистических решений, среди которых чаще всего применяются критерии максимального правдоподобия и максимума апостериорной вероятности. Строятся оценки плотностей распределения значений признаков (гистограмм) и корреляционных матриц по эталонным объектам разных классов.

2. Комплексный анализ на основе математической логики: основаны на установлении меры сходства (меры аналогии) исследуемых объектов с эталонными по величине суммарной информативности признаков. Рассмотрим некоторые алгоритмы.

Алгоритм «Потенциал — 2» Пусть есть объект исследований и L-признаков, значит имеем L-мерное пространство признаков, также имеем эталонированные объекты и их признаки, тогда считаем следующий «потенциал»:

Где x_kl и x_l — координаты l-того признака k-признака обучения и исследуемого объекта, n_k — число объектов обучения к-класса, α_k и h_l — веса объекта обучения и обучаемого признака, при этом все это обусловлено наличием нескольких объектов обучения и нескольких классов.

Исследуемый объект относится к тому классу, потенциалы которого будут большими, чем для других классов. Пример классов — рудная порода и вмещающая толща — это 2 класса.

Алгоритм «Кора-3». Использовался для поиска нефтенасыщенных коллекторов по данным ГИС. Значит, кодировали признаки следующим образом, если есть куча признаков для каждого объекта, то если к-ый объект обладает l-ым признаком то признак обозначают 1, если нет, то 0. Все эталонные и исследуемые объекты имеют один и тот же порядок признаков и их набор. Этап обучения, то есть соответствия исследуемого объекта эталонному, сводится к всевозможным переборам сочетаний признаков по 3. Задаем пороговое значение количества сочетаний признаков и относим каждое количество к определенному классу. Чем больше сочетаний в каком то классе, тем более этот класс информативен. Дальше распознавание образов, т.е. сколько сочетаний признаков определенного или информативного класса содержится в исследуемом объекте. Потом говорим к какому классу относится наш объект.

⇐ Предыдущая 3 4 5 6 789 10 11 12 Следующая ⇒