基于小波包分析和过程神经元网络的水淹层识别方法.pdfVIP

维普资讯 大 庆 石 油 学 院 学 报 第 32卷 第 1期 2008年 2月 JOURNALOFDAQING PETROLEUM INSTITUTE Vo1．32 No．1 Feb． 2008 基于小波包分析和过程神经元 网络的水淹层识别方法 刘金月，许少华 (大庆石油学院 计算机与信息技术学 院，黑龙江 大庆 163318) 摘 要：针对复杂时变信号模式识别 ，提 出一种采用小波包变换和过程神经元网络进行水淹层识别 的方法．该方法 利用小波包分析具有的多分辨率特性，能有效滤掉噪声信号，从而保证有用信号时一频特征完整提取．根据过程神经元 网络具有的时空二维信息处理及非线性映射能力 ，以其作为模式分类器 ，将滤波后 的时变信号输人分类器 中，可直接对 时变信号进行模式分类．将该方法应用于油 田开发测井 曲线油层水淹状况识别，并给出具体的算法步骤．应用结果表 明，该方法的识别效果较好． 关 奠 词：小波包变换 ；过程神经元 网络 ；水淹层识别 ；测井曲线 中圈分类号：TP391 文献标识码 ：A 文章编号：1000—1891(2008)01—0074—03 在复杂信号处理和实际应用中，分析的信号是由真实信号和多个噪声信号源产生的噪声信号 的综合 体 ，一些噪声信号并不是平稳的白噪声口]．小波包分析是一种精细的信号分析方法，它可将信号频带进行 多层次划分，并能够根据被分析信号的特征，选择相应频带，使之与已知信号源频谱相匹配，从而提高测量 信号的时频分辨率 ，完成信号去噪和有用信号的提取．过程神经网络是近几年人工智能领域 中，发展起来 的一种新 的神经网络模型，其输入 ／输 出均可为时变 (或过程)函数_2]，网络经过训练 ，可 自动抽取各类时变 信号的过程模式特征，具有对时空二维信息的直接处理能力[3]．针对复杂时变信号的模式识别，文中提 出 一 种基于小波包分析和过程神经元网络的水淹层识别方法． 1 小波包分析 与小波变换相 比，小波包变换对小波空间做 了更精细 的分割，使得小波包具有更好 的时频分析能 力Ⅲ；小波包库中包含了丰富的小波包基 ，能够根据信号 的特征提供最佳基，以使时频平面具有多种的覆 盖方式 ，因而对于包含大量中、高频信息的非平稳信号 ，小波包能够进行更细致的局部化分析． 利用小波包进行信号分析时，信号低频部分和高频部分同时进行正交分解 ，将频带进行多层次分割． 根据分析信号的频谱特征，自适应地选择相应频带，匹配于信号频谱 [5]．小波包分解后 ，各个频段 的信号 时域分辨力降低 ，采用信号重构方法，把某一频段的成分进行重构，可提高其时域分辨力． 设 P；为第 层小波包分解的第 i个小波包 ，则可以得到小波包分解的Mallat公式L6]： P H — HP 一 (z) ， (1) P = GP一1(z)， (2) 式 (1--2)中：￡：1，2，…，N／2j；=1，2，…，2，；为最大的分解层数 ，J一1，2，…J；N 为原信号的采样点数 ； 日，G分别为低通滤波器和高通滤波器．原信号经J层小波包分解后得到 2，个小波包．小波包重构公式为 一 H (z)+G 聘 (z)， (3) 式中：： 一1，一2，…，1，0；i：2，，2r ，…，2，1；H ，G 分别为H，G的对偶算子． 收稿日期 ：2007—10—08；审稿人：尚福华 ；编辑 ：郑丽芹 作者简介：刘金月(1978一)女，硕士生 ，主要从事模式识别与神经网络等方面的研究 · 74 ·