فهرست مطالب نویسنده:
saeedeh hemmatpour
-
هدف از این مقاله انتخاب نشانگرهای بهینه برای آشکارسازی دودکشهای گازی برای داده های بلوک F3 بخش Dutch دریای شمال با استفاده از روش های تشخیص الگو براساس معیارهای تحلیل مشخصه تطبیقی (RDA، Regularized Discriminate Analysis) و تحلیل مولفه های اصلی (PCA، Principal Component Analysis) است. در علم ژئوفیزیک و مخصوصا لرزهشناسی، که با حجم زیادی داده سروکار دارند و ویژگی های مختلفی که میتوان از آن داده ها استخراج کرد، انتخاب مناسب و درست ویژگی ها و سپس دسته بندی آنها با روش های دسته بندی، میتواند در علم تفسیر داده های لرزهای بسیار کار آمد باشد. در رتبه بندی نشانگرهای لرزهای همانگونه که در بالا اشاره شد دو روش مورد بررسی در این مطالعهPCA و RDA می باشد.
با روش PCA نشانگرهای انرژی پنجرهای با طول 80 در حول یک نمونه]40و40-[و انرژی پنجرهای با طول 80 در حول یک نمونه]40- و120-[وواکافت موجک طیفی موجک ریکر (فرکانس مرکزی60هرتز و پهنای 2)، بهعنوان نشانگرهای مطلوب در فضای ویژگی ها و نشانگرنوفه تصادفی به عنوان مهمترین نشانگر نامطلوب انتخاب شدند. با توجه به نتایج رتبهبندی خواهیم دید که نشانگر تشابه در رتبه بالایی قرار میگیرد.
کلید واژگان: روش پیشرو, روش نظارتی, تحلیل مولفه های اصلی, تحلیل مشخصه تطبیقی, فضای ویژگی, روش غیر نظارتی, روش پسرو, ترسیم توزیعیOptimal attributes are useful in interpretation of seismic data. Two proposed methods are presented in this paper for finding optimal attributes. Regularized Discriminate Analysis(RDA) is based on 2 parameters ë, γ which called regularization parameter. The other method is Principal Component Analysi s(PCA).In this paper gas chimney detection is defined as the subject of study for ranking relevant attributes. For 4817 samples of both classes i.e., gas chimney and non chimney with 28 attributes which are mentioned in table (1). These attributes have been picked by experienced interpreter. Among all of these attributes some of them such as Similarity (time window: [-120,-40]),Similarity (time window: [40,120]), Similarity (time window:[-40,40]), in forward selection algorithm and Similarity (time window: [-120,-40]), Similarity (time window: [-40,40]), Energy (time window:[-120,-40]) in backward selection algorithm in RDA method have the highest ranks. It should be highlighted that because the number of the observations is large so 70% of all observations have been used for train and 30% for test. The discriminate function is: The classification error rate for RDA with λ=0.01 & γ=0.1 is 0.09 and for λ=0.1 & γ=0.1 is 0.1 and also for λ=0.1 & γ=0.01 is 0.09. In discriminate matrix form which is shown as: is covariance matrix of k-th class, is mean vector for k-th class and is prior probability of k-th class where is transpose of. In PCA method the principal component obtain by calculating of eigenvectors of covariance matrix and also looking for a transformation with least square error. After these calculations we compare scatter plots of PCA. Selected attributes, PCA method are spectral decomposition with Ricker wavelet (center freq.= 60 (Hz), width=2) and Energy (time window: [-40,40]), Energy (time window: [-40,40]). For better judgment and selection of optimal attributes we should combine two methods or more and obtain optimal method and also compare different method two by two. Finally, using pattern recognition method for interpreting of seismic data is suggested.
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.