| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 简略字表 | 第12-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 无监督学习 | 第15-17页 |
| 1.2.2 有监督学习 | 第17-18页 |
| 1.3 本文的主要工作与贡献 | 第18-19页 |
| 1.4 论文章节安排 | 第19-20页 |
| 第二章 叠前地震波形分类技术的相关原理 | 第20-35页 |
| 2.1 叠前地震波形的分析优势 | 第20-24页 |
| 2.1.1 四类含气砂岩AVO分析 | 第21-23页 |
| 2.1.2 各向异性分析 | 第23-24页 |
| 2.2 数据降维处理 | 第24-27页 |
| 2.2.1 无监督降维算法 | 第24-25页 |
| 2.2.2 有监督降维算法 | 第25-27页 |
| 2.3 半监督学习算法 | 第27-31页 |
| 2.3.1 基于生成式半监督 | 第28页 |
| 2.3.2 基于图的半监督 | 第28-29页 |
| 2.3.3 基于分歧半监督 | 第29-30页 |
| 2.3.4 半监督聚类 | 第30-31页 |
| 2.4 波形相似性度量 | 第31-34页 |
| 2.4.1 传统的相似性度量方法 | 第32页 |
| 2.4.2 训练相似性度量方法 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于半监督降维的叠前地震波形分类 | 第35-54页 |
| 3.1 叠前地震波形的半监督降维 | 第35-41页 |
| 3.1.1 半监督降维算法 | 第35-37页 |
| 3.1.2 基于SSDR的叠前地震波形降维 | 第37-38页 |
| 3.1.3 SSDR的参数选择 | 第38-39页 |
| 3.1.4 算法性能测试 | 第39-41页 |
| 3.2 地震数据的邻域信息 | 第41-43页 |
| 3.2.1 多窗口提取最优邻域 | 第41-42页 |
| 3.2.2 窗口大小动态选择 | 第42-43页 |
| 3.3 基于邻域信息的叠前地震波形分类 | 第43-48页 |
| 3.3.1 K-means算法 | 第43-44页 |
| 3.3.2 基于邻域信息的K-means算法 | 第44-46页 |
| 3.3.3 算法性能测试 | 第46-48页 |
| 3.4 算法总体描述及其应用 | 第48-53页 |
| 3.4.1 算法总体描述 | 第48-49页 |
| 3.4.2 算法在实际工区的应用 | 第49-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 基于集成学习的半监督FCM叠前地震波形分类 | 第54-67页 |
| 4.1 基于半监督FCM-S叠前地震波形分类 | 第54-59页 |
| 4.1.1 FCM算法 | 第54-55页 |
| 4.1.2 基于空间约束的FCM算法 | 第55-56页 |
| 4.1.3 半监督FCM-S算法 | 第56-58页 |
| 4.1.4 算法性能测试 | 第58-59页 |
| 4.2 基于集成学习的SFCM-S算法框架 | 第59-63页 |
| 4.2.1 集成学习 | 第59-62页 |
| 4.2.2 基于集成学习的SFCM-S模型 | 第62-63页 |
| 4.3 算法总体描述及其应用 | 第63-66页 |
| 4.3.1 算法总体描述 | 第63页 |
| 4.3.2 算法在实际工区的应用 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75页 |
| 攻读硕士学位期间参加的科研项目 | 第75页 |