图3—2 频率、相位属性参数示意图
(1) 宽频带总能量
如图3—2所示，以所拾取的反射时间为中心，选取一时窗，对地震信息作富氏变换，得对应的频谱。然后在一定的频带范围内[fWL，fWH]对能量求和，即计算这一频带范围内能量谱线下的面积。宽频带总能量QFW(i)可表示为
QFW(i)?f?fWL?A(f) (3-2)
2ifWH应用中可以根据具体情况来选择参数fWL和fWH，原则上是将不需要的频率成份排除在外。
(2) 主频带能量
主频带能量QFL(i)可以表示为
QFL(i)?f?fML2A?i(f) (3-3)
fMH同理，根据具体情况来选择参数fMH和fML。如图3—2所示，以主频65Hz为中心，
以10Hz为宽度，计算这一频带范围振幅谱曲线下的面积。
(3) 主频带能量百分比
主频带能量百分比RFLW(i)为
RELW(i)?QFL(i) (3-4)
QFW(i)从图2—2可为看出， 其比值RFLW(i)等于以fL为中心而宽度为10Hz的那部分面积B与总面积(A+B+C)之比。一般分析可知，宽频带总量比较稳定，RFLW(i)和QFL(i)变化近似一致。
(4) 低频带能量
低频带能量Qf(i)可以表示为
Qf(i)??Ai2(f) (3-5)
f?535(5) 平均频率
平均频率FA(i)是在将能谱曲线下的面积平分为二的频率值，如图3—2所示，其计算公式是
f?fWL?A(f)??A(f) (3-6)
2i2if?FAFAfWH(6) 峰值频率
峰值频率FM(i)也称为主频，它是振幅谱曲线Ai(f)的极大值对应的频率。 4．相位属性提取 (1) 峰频相位
峰频相位PHM(i)为峰值频率所对应的相位。 (2) 平均频率相位
平均频率相位PHA(i)为平均频率所对应的相位。 5．波形属性提取
1977年，法国数学家Mandelbrot首次提出分形几何学的设想，并在十多年中得到较快地发展。长期以来，人们习惯于在欧氏空间中研究问题，而自然界中有很多问题是无法用传统科学解决的。分形几何学更准确地揭示了自然界的本来面貌，用简单方法描述复杂现象，用规则的方法处理不规则的问题。在越混乱、越无规则、越复杂的领域，它就越有成效。分形学作为数学的一个新的分支，在八十年代已成为热门学科之一，它为非均匀性、突变性、差异性和间断性的研究提供了一种行之有效的工具。
3.3 地震属性处理
3.3.1 时窗选取
地震属性参数的提取，总是针对某一层位的反射波进行的。因此提取地震属性遇到的第一个问题是时窗的选取。时窗选取的好坏直接关系到所提取的地震属性能否真实反映地下的构造特征，所以选取时窗时应格外慎重。时窗长度的选取原则是：尽可能只包含目的层反射波，而将干扰波排除在外。
目前的各种解释系统具有强大的交互解释功能，其层位拾取能力很强。使用解释工作站的层位数据可以在属性提取时使用。 3.3.2 平滑滤波
由于采集系统的实际情况决定了提取的地震属性参数有一定的随机性，使地震属性参数曲线上“毛刺”很多，且可能出现个别非地质因素引起的异常(也称“野值”)。
“毛刺”和“野值”的出现，对利用地震属性参数进行模式识别是十分有害的，因为它们会干扰解释工作，造成误判、降低判别准确度和精度，因此需要作平滑处理。处理后不仅能除掉“野值”点，而且能消去“毛刺”，使地震属性参数的变化规律更明显，从而更好地用于地质解释。
常用的平滑滤波方法有两种，分别为均值滤波和中值滤波。 1．均值滤波
均值滤波分为两步，第一步是去野值
1n?m xj(n)??xj(i) (3-17)
2m?1n?m 当
xj(n)?xj(n)xj(n)??时，就认为xj(n)是野值，令xj(n)＝xj(n)。其中xj(i)是第
i道第j种地震属性参数值；xj(n)是以第n道为中心，第j种地震属性参数的2m+1道平均值；λ是大于零的可选参数。 第二步是7点平滑滤波
x'j(i)?a?0.6xj(i)?b (3-18) 式中 a＝0.025xj(i-3)＋0.075xj(i-2)＋0.1xj(i-1) b＝0.025xj(i+3)＋0.075xj(i+2)＋0.1xj(i+1)
其中，x'j(i)、xj(i)是平滑滤波前、后的第i道第j种地震属性参数值。
2．中值滤波
常用的平滑方法实质上属于低通滤波，可以平滑峰值或谷值的作用，但是它也存在一些缺点，比如模糊边界位置，对非平稳信号处理效果不好。而中值滤波器是一种特殊的非线性滤波器，它同时具有抑制噪声和保护边缘的特征，特别是在非平稳信号的处理
中取得了较大的成功。
对于提取的属性参数，为了提高利用模式识别方法预测构造异常发育带的可靠性，在参数处理中提供了一种中值滤波器，具体算法如下：
假设地震记录由下式来描述{xi,j}(i=1，…，Nx; j=1，…，Nt) 式中，i和j分别为数据的空间与时间下标，Nx表示数据的空间采样数即地震道数，Nt表示每道地震记录的时间采样数。令第i道的数据序列为Xj(ｊ=1，…，Nt)，如果给定的中值滤波器的跨度为N(一般N为奇数)，则对第i道的数据的第k点的中值滤波过程如图3—5所示：
(1) 取以第k个点为中心的N个样点；
(2) 对这N个样点按数值从小到大的顺序排列；
(3) 取排序后的N个样点的中心位置的数值作为第k点的输出值。
重复上述过程，则实现了对地震数据记录{xi,j}的中值滤波。
原始数据：Xk?(N?1)/2，┅，Xk，┅，Xk?(N?1)/2 排 序：Yk?(N?1)/2，┅，Yk，┅，Yk?(N?1)/2 输 出：Yk 图3—5 中值滤波原理
3.3.3 归一化处理
由于地震属性参数的量纲各不相同，相互之间不易进行对比，这将会给定量分析带来影响。因此，在对地震属性参数进行模式识别以前，需要对数据做归一化处理，使得所有地震属性参数具有相同的变化范围，在应用中有等量贡献。
实际归一化处理时，选用变幅极值归一化法，其数学模型是
yj(i)?A(xj(i)?B)xmaxj (3-19)
式中 xj(i)、yj(i)——归一化前、后的第i道第j种地震属性参数值；
xmaxj——第j种地震属性参数的极大值；
B、A——幅度控制参数，可根据实际情况进行选择，目的是突出异常值 3.4.3煤矿地震勘探中的应用
1. 解释断裂构造发育带 2. 解释煤层的变薄冲刷带 3. 预测瓦斯富集带
4. 煤层气地震勘探中的应用 5. 结论
(1) 煤层反射波中含有大量地质信息，无论是煤层的构造、结构或岩性变化都会引起地震属性的变化。
(2) 在煤田地震勘探中, 煤层中的小构造异常、结构和岩性变化，用常规的人工识
别方法往往是无能为力的。但是，利用地震属性的变化来区分构造、进行煤层结构和岩性解释是可行的。
(3) 地震属性技术是煤矿开发阶段的重要手段，可用于识别断层及其它构造、预测奥陶系灰岩岩溶裂隙发育带、解释煤层变薄冲刷带、预测瓦斯富集带等，应用前景十分广泛。
第四章 模式识别技术
一个模式类是由一些给定的共同属性所决定的一个类别，该类别中的一员就是一个模式。所谓模式识别也就是对所研究的对象根据其共同特征或属性进行识别和分类。 严格地说，模式识别不是简单的分类学。模式识别过程主要包括三部分，首先从观测样品中提取特征；然后按照某种原则对这些特征进行选择，保留一些起主要作用的特征用于识别；最后采用各种判别方法或聚类方法，根据多个特征对样品进行研究和分类。
模式识别的方法很多，本章讨论了模糊综合评判、模糊模式识别、分段线性模式识别和人工神经网络模式识别等四种方法。
图4—1 神经元的数学模型
神经元的内部状态s为
s?式中 xi——第i个输入元素；
?wxii?0ni?? (2-26)
wi——第i个输入与神经元之间的连接权重；
?——神经元的内部阈值。 神经元的输出y为
y?f(s) (4-27)
函数f是一个非线性函数，称作激活函数。一个神经元的性质取决于它的阈值和激活函数的类型。常用的激活函数为阈值型、分段线性型和Sigmoid函数型(图4—2)。
图4—2 神经元常用的激活函数
a—阈值型；b—分段线性型；c—Sigmoid函数型
2．神经网络结构
一个简单的神经网络是由若干个神经元组成，各个神经元之间通过相互连接形成网络，网络可分成输入信息的神经元组成的输入层，输出信息的神经元组成的输出层，其余神经元组成的中间层或隐层。神经元之间的连接不只是单纯的传送信号的通道，而且对所传递的信息进行加权处理，可以加强或减弱上一个神经元的输出对下一个神经元的剌激，这个加权系数称为连接权重(或称为连接强度)。 3．神经网络的学习规则
神经网络的学习算法可分为两类：有监督的和无监督的。有监督学习算法的训练要求同时给出输入和正确的输出，网络根据当前输出与所要求的目标输出的差来进行网络调整，使网络做出正确的反映。无监督学习算法的训练只需给出输入，网络能够逐渐演变到对输入的某种模式做出特定的反映。
4.5应用实例 （1）识别断层 （2） 预测煤层厚度
第五章 相干/方差体技术
5.1 相干/方差体技术的基本原理
相干/方差体技术通过量化处理地震数据体的相干属性，生成新的相干/方差体数据体，突出和强调地震数据的不相关性。
相干/方差体技术利用相邻道地震信号之间的相似性来描述地层、岩性等的横向非均匀性，特别是在识别断层以及了解与储集层特征密切相关的砂体展布等方面非常有效。应用三维相干/方差数据体时间切片进行构造解释和岩性解释，可以帮助解释人员迅速认识整个工区断层等构造及岩性的整体空间展布特征，从而达到加快解释速度及提高解释精度、缩短勘探周期的目的。 5.2 相干数据体的算法
国内外文献中有关三维地震相干数据体生成方法的文献很多，形成了很多算法。但是在实际地震勘探资料解释中具有较好的应用效果的主要是基于水平时间切片，并根据资料的信噪比、算法的稳定性、利用特征值分析方法进行相干分析和处理，发展了互相关算法C1、相似性算法C2、本征值算法C3三种应用比较广泛的算法。 5.2.5 三种算法的优缺点分析
C1相干算法的最大优点是可以分别沿inline、crossline线方向计算互相关系数，而后进行合成，因此计算量小、易于实现，对于利用普通微机来实现三维相干算法尤为实际；而其最大的缺陷是对于有相干噪声或信噪比较低的资料，仅用两道数据确定视倾角会有很大误差；其次三道互相关算法的限制条件是假设地震道是零平均信号(只有相关时窗2w的长度大于子波长度时，这种假设条件基本上成立，即窗口大于地震反射的最长周期)，但是较大的时窗将会混合感兴趣的深部薄层，降低了相干数据的垂向分辨率。
C2由于采用了多道处理的方法，所以算法具有稳健性、适应于信噪比较低的资料的优点；能够较准确地计算有噪声数据的相干性、倾角和方位角，用一个适当大小的分析窗口，能够较好的解决提高分辨率和提高信噪比之间的矛盾，但是同时带来了计算成本也伴随着窗口内计算道数的增加呈线性递增。其主要的不足是基于水平切片上一定时窗内计算的相似性，因此对于地层存在倾角的情况不太适用，会造成上覆与下伏地层特征的混合，影响垂向分辨率。
这是因为该算法在有效信C3相干算法从理论上讲优于C1相干算法和C2相干算法，