改进的协同训练半监督SVM在油层识别中的应用

摘要

实际石油测井中有标签数据获取代价昂贵,而大量低廉的无标签数据未被使用,如何利用有限的有标签样本及大量的无标签样本获取准确的油层分布有待解决。半监督学习方法因能同时利用少量有标签样本及大量无标签样本便可获取良好的分类模型而被广泛应用。因此,基于半监督支持向量机(S3VM),提出一种改进的基于量子行为粒子群优化(QPSO)的协同训练S3VM油层识别算法(QPSO-CS3VM)。首先引入多视图的协同训练策略,构造2个独立的初始分类器提高识别精度;然后为提高初始分类精度,引入了量子行为粒子群算法以优化S3VM;最后引入一种改进的近邻数据剪辑方法用于预测无标签样本伪标签的置信度,从而避免因错分样本导致的模型性能恶化的问题。通过对具有代表性的两口井的测井数据进行油层识别,结果表明:改进的协同训练半监督SVM相较于传统的协同训练算法在两口井中的识别率分别提升了5.00百分点和3.12百分点。所提算法油层识别精度较高,有一定的实际应用意义。