| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-17页 |
| 1.1.1 波形分类技术 | 第14-15页 |
| 1.1.2 三维地震数据体的波形分类 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.3 本文的主要工作与贡献 | 第19页 |
| 1.4 论文章节安排 | 第19-21页 |
| 第二章 波形分类技术的相关原理 | 第21-36页 |
| 2.1 地震数据预处理 | 第23-28页 |
| 2.1.1 切比雪夫拟合 | 第23-25页 |
| 2.1.2 结构导向滤波 | 第25-28页 |
| 2.2 波形分类算法模型选择 | 第28-29页 |
| 2.3 波形分类技术中的特征选取 | 第29-32页 |
| 2.3.1 类别可分性判据 | 第29-30页 |
| 2.3.2 特征选择中的直接挑选法 | 第30-32页 |
| 2.4 分类算法 | 第32-34页 |
| 2.4.1 无监督聚类 | 第32-33页 |
| 2.4.2 有监督分类 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 基于人工免疫算法的三维地震数据体波形分类方法 | 第36-59页 |
| 3.1 算法总体描述 | 第36页 |
| 3.2 基于奇异值检测的层位解释误差校正方法 | 第36-41页 |
| 3.2.1 奇异性检测理论 | 第37-40页 |
| 3.2.2 奇异值校正层位解析误差 | 第40-41页 |
| 3.3 人工免疫算法 | 第41-45页 |
| 3.3.1 人工免疫系统流程概述 | 第41-42页 |
| 3.3.2 人工免疫系统处理地震数据 | 第42-44页 |
| 3.3.3 人工免疫系统的可视化 | 第44-45页 |
| 3.4 波形特征的无监督聚类 | 第45-50页 |
| 3.4.1 自组织映射(SOM) | 第46-47页 |
| 3.4.2 自组织映射（SOM）的可视化 | 第47-49页 |
| 3.4.3 一个混合方法——AI-SOM | 第49-50页 |
| 3.5 算法应用及总结 | 第50-59页 |
| 3.5.1 算法在仿真数据中的应用 | 第50-53页 |
| 3.5.2 算法在F3工区中的应用 | 第53-56页 |
| 3.5.3 HBC工区效果图对比 | 第56-57页 |
| 3.5.4 算法小结 | 第57-59页 |
| 第四章 基于三维地震数据体的有监督波形分类方法 | 第59-82页 |
| 4.1 有监督分类方法问题及改进 | 第59-64页 |
| 4.1.1 类不平衡问题及解决方法 | 第59-61页 |
| 4.1.2 模型过拟合 | 第61-63页 |
| 4.1.3 本章算法总体描述 | 第63-64页 |
| 4.2 基于三维灰度共生的纹理特征提取选取 | 第64-69页 |
| 4.2.1 三维灰度共生矩阵 | 第64-65页 |
| 4.2.2 灰度共生矩阵提取特征 | 第65-66页 |
| 4.2.3 三维地震纹理体的提取原理 | 第66-68页 |
| 4.2.4 特征提取 | 第68-69页 |
| 4.3 三维地震信号的有监督分类 | 第69-74页 |
| 4.3.1 随机森林的单基元 | 第69-70页 |
| 4.3.2 随机森林分类算法 | 第70-74页 |
| 4.4 算法应用 | 第74-80页 |
| 4.4.1 算法在UCI数据集的应用及效果 | 第74-77页 |
| 4.4.2 算法在F3工区中的应用 | 第77-79页 |
| 4.4.3 算法在SLG工区中的应用 | 第79-80页 |
| 4.5 本章小结 | 第80-82页 |
| 第五章 总结与展望 | 第82-83页 |
| 5.1 工作总结 | 第82页 |
| 5.2 工作展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 个人简历 | 第88-89页 |
| 攻读硕士学位期间取得的研究成果 | 第89页 |
| 攻读硕士学位期间参加的科研项目 | 第89-90页 |