等值线图是地图学中最常用的地理要素,是地质资源信息系统中最基础和常见的数据表示形式。针对地质模型其地层可视化的特点,研究和分析传统等值线追踪方法的不足,提出一种基于不规则三角网的等值线分类追踪算法。该方法对数据存储模式...等值线图是地图学中最常用的地理要素,是地质资源信息系统中最基础和常见的数据表示形式。针对地质模型其地层可视化的特点,研究和分析传统等值线追踪方法的不足,提出一种基于不规则三角网的等值线分类追踪算法。该方法对数据存储模式进行了简化处理,并结合实际应用要求在VC++与Open Scene Graph的开发环境下,实现了等值线的绘制。通过建立地层属性的映射规则,对等值线图进行了填充,达到了地层三维可视化的真实效果,以某采油厂地层离散数据为例,验证了等值线追踪算法的可行性和正确性。展开更多
岩相及孔隙度预测在油气勘探中非常重要,为此,提出一种基于多阈值BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)聚类的岩相预测方法,并以此为基础利用岭回归算法预测孔隙度。首先,根据地震波阻抗数据分布规律...岩相及孔隙度预测在油气勘探中非常重要,为此,提出一种基于多阈值BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)聚类的岩相预测方法,并以此为基础利用岭回归算法预测孔隙度。首先,根据地震波阻抗数据分布规律启发式设定初始阈值,根据簇之间体积的不一致性,动态增加阈值,使用Agglomerative算法进行全局聚类以划分岩相;然后,以井点处孔隙度和地震波阻抗数据为输入,在同一岩相内采用改进的岭回归方法预测孔隙度。模型实验表明,多阈值BIRCH聚类方法具有良好的稳定性和较高的计算效率,岩相划分准确。实际数据结果表明,该方法能够准确预测孔隙度。展开更多
针对聚类算法常见的难以确定参数、难以适应各种形状的数据集、在提高算法普适性时时间复杂度增大的问题,提出一种新的聚类算法:结合数据集全局和局部的特征寻找样本点距离的突变位置,通过计算样本点的簇内最小距离实现凸球型数据集的聚...针对聚类算法常见的难以确定参数、难以适应各种形状的数据集、在提高算法普适性时时间复杂度增大的问题,提出一种新的聚类算法:结合数据集全局和局部的特征寻找样本点距离的突变位置,通过计算样本点的簇内最小距离实现凸球型数据集的聚类;在此基础上提出子簇连结性强弱的概念,依据两个容易确定的参数进行子簇合并来适应各种形状的数据集.将该算法与DBSCAN(Density⁃Based Spatial Clustering of Applications with Noise)等多种聚类算法在四种经典数据集上比较,结果表明,该算法适用于类簇形状复杂的数据集,在同等聚类能力的算法中计算速度更快,且具有参数少、易确定的优点,在综合性能上表现优秀.展开更多
文摘等值线图是地图学中最常用的地理要素,是地质资源信息系统中最基础和常见的数据表示形式。针对地质模型其地层可视化的特点,研究和分析传统等值线追踪方法的不足,提出一种基于不规则三角网的等值线分类追踪算法。该方法对数据存储模式进行了简化处理,并结合实际应用要求在VC++与Open Scene Graph的开发环境下,实现了等值线的绘制。通过建立地层属性的映射规则,对等值线图进行了填充,达到了地层三维可视化的真实效果,以某采油厂地层离散数据为例,验证了等值线追踪算法的可行性和正确性。
文摘岩相及孔隙度预测在油气勘探中非常重要,为此,提出一种基于多阈值BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)聚类的岩相预测方法,并以此为基础利用岭回归算法预测孔隙度。首先,根据地震波阻抗数据分布规律启发式设定初始阈值,根据簇之间体积的不一致性,动态增加阈值,使用Agglomerative算法进行全局聚类以划分岩相;然后,以井点处孔隙度和地震波阻抗数据为输入,在同一岩相内采用改进的岭回归方法预测孔隙度。模型实验表明,多阈值BIRCH聚类方法具有良好的稳定性和较高的计算效率,岩相划分准确。实际数据结果表明,该方法能够准确预测孔隙度。
文摘针对聚类算法常见的难以确定参数、难以适应各种形状的数据集、在提高算法普适性时时间复杂度增大的问题,提出一种新的聚类算法:结合数据集全局和局部的特征寻找样本点距离的突变位置,通过计算样本点的簇内最小距离实现凸球型数据集的聚类;在此基础上提出子簇连结性强弱的概念,依据两个容易确定的参数进行子簇合并来适应各种形状的数据集.将该算法与DBSCAN(Density⁃Based Spatial Clustering of Applications with Noise)等多种聚类算法在四种经典数据集上比较,结果表明,该算法适用于类簇形状复杂的数据集,在同等聚类能力的算法中计算速度更快,且具有参数少、易确定的优点,在综合性能上表现优秀.