4_SeisClass_Workflow(GeoFrame聚类分析)

非约束聚类算法
K-Means lustering Method
K-Means 聚类是一种统计学算法，首先在属 性空间内根据用户定义的分类数目任意的为 每一类选择一个聚类中心。由于开始聚类中 心选择的任意性，因此该计算不能总是收敛 于一个解决方案，但对于输入数据相同的多 个操作，其最终结果是非常相似的。 Error Limit是可供选择的唯一的一个控制参 数，当聚类中心间的平均值小于该参数时， 聚类完成。当将Error Limit参数设置较低时， 会提高聚类的精度，但会增加计算的时间。
Learning Rate：控制神经网络调整权重的速度，该权重是将数据点归到其合适类中的参数。 学习速率高，权重更新的量就大。在聚类过程的早期是可行的，但在后期会造成稳定性问 题。在聚类过程后期，计算接近于最终结果，权重的大幅波动会导致不稳定。 Beta ：是用于限制或避免conscience参数随机波动的参数。
地震相分析工作流程
Exercise
谢谢大家！
Bayesian Method
Bayesian方法也是一种统计学聚类方法。该方法需要所有数据点为高斯分布， 每类数据具有不同的协方差矩阵。基于属性空间中的向量计算每个点属于某一 类的概率。具有较高所属概率的点分配给该类。Bayesian算法不需要参数设置。 但在Classes文件夹中可以设置聚类过程中用于训练的训练数据的比例，以及用 于计算网络误差的比例。
SeisClass 地震相聚类分析
Schlumberger Information Solutions 2011年12月
聚类算法
SeisClass中包括两类聚类算法：非约束聚类 和约束聚类。 非约束聚类包括两种方法： • K-Means Clustering； • Competitive Learning。 该聚类方法基于属性空间内全部数据集， 其结果没有依靠对数据的先验认识。 约束聚类包括两种方法： • Fisher’s Discriminate ； • Bayesian； • Back Propagation。 对数据的先验知识是该聚类方法的基础。 在约束聚类中，使用从井得到的信息来指 导离井较远地区的聚类。
非约束聚类算法
Competitive Learning Method
Competitive Learning聚类是一种神经网络算法。与K-Means 算法类似，该算法不需要对数 据有先验认识，用户只需定义需要创建的类别数目。使用Competitive这个词是因为在该算 法中聚类中心需要对所属数据点进行竞争。聚类中心的最初位置并不像K-Means 算法一样 是任意给定的，而是通过算法来选择的。 Number of Iterations：控制迭代次数。缺省设置为100，最大为2000。迭代次数过高虽然可 时算法更精确，但会损害聚类的总体面貌。当迭代次数太高时，对于大数据其运行时间会 很长。
Conscience：参数用于阻止输出的某一类将太多的数据划给自己。因此占有太多输入数据 点的类别会被给予较差的conscience，并且暂时退出对新数据点的竞争。目的是在聚类结果 的网格中输出数据点产生一个较均衡的分布，避免一类赢得太多数据。高值将会降低聚类 的过程。
约束聚类算法
Fisher’s Discriminant Method
Fisher判别方法是一种统计学聚类方法。该方法不需要设置参数，是约束聚类方 法中最快的算法。该方法假定所有类具有相同的协方差矩阵，且在属性空间内 其最初分布是相等的。该算法的目的是通过将N维（N为分类数）数据投影到一 维平面上，从而使不同类别间的距离最大化，然后所有数据点分配给离其最近 的类。该方法对于每类数据分布距离相等情况下效果较好 。
约束聚类算法
Back Error Propagation Method
Back Error Propagation方法是一种神经网络聚类方法。该方法对输入数据未做假定，而是试图通过用户 定义的训练数据不断减小实际网络与输出层（分类）之间的不匹配。该方法使用梯度下降方法来减小 误差函数，避免产生局部极小值相关的问题。误差通过网络反向传播，权重系数不断更新。 参数设置包括： • Max Epochs ： 每一输入/输出数据对权重更新后，一个间隔就完成了。换言之，当所有训练数据提供 给网络一次，一个间隔就完成了。有效的反响传播需要进行提供多次数据。缺省设置为100，最大值为 1000。 • Error Limit ：定义输出网络中均方差误差的最小容忍值，用于中止训练状态。 • Update Interval：在权重系数更新前，提供给网络的训练数据个数。缺省设置为100，最大值为1000。 低值会降低学习时间，但存在训练结果不稳定的风险。 • Flexibility：在0和1之间变化，缺省设置为0.5。该参数控制了隐藏层中节点的个数。其数值小时，隐 藏层节点少，将从输入数据中获得一个总体的趋势。高值将使网络变得更细化。如果有多种属性及多 个类别，将该参数设为低值，反之亦然。 • TestData：在0和50%之间变化，缺省设置为0。该参数与Bayesian方法中的比例参数类似。如果该参数 大于0，则有部分输入数据不参与训练，而用于计算网格误差。训练完成后，测试数据中最低误差的网 个数据用于聚类计算。