贝叶斯优化的XGBoost在小断层地震解释中的应用

摘要：

为了进一步提高小断层地震解释的精确度,提出了利用信息价值对地震属性进行约简,结合改进的贝叶斯优化算法,优化XGBoost参数以识别小断层.首先,对采区地震属性数据进行预处理,去除异常样本和大噪声样本;然后针对处理后样本的每一个特征进行卡方分箱,计算每一个分箱中的证据权重(WOE),进而得到每一个特征的信息价值(IV),以此作为各个特征的重要度,对信息价值小的特征进行约简,去除高噪声特征属性;同时,给小断层地震数据增加一定程度的噪声来增强模型的抗噪能力;接着,构建XGBoost模型,因正负样本分布不均衡,提出了一种改进XGBoost目标函数的方法来平衡正负样本的训练权重.针对其重要参数选择问题,选用贝叶斯算法优化XGBoost模型的参数.因为贝叶斯优化算法不易平衡"开采"(Exploit)和"探索"(Ex-plore)的过程,导致寻优效率不高,易陷入局部最优点,提出一种自适应平衡因子变化算法,动态地平衡pi采集函数"开采"和"探索"的过程,提升参数优化过程的鲁棒性.实验数据表明:利用采集函数优化的贝叶斯算法,用来优化目标函数改进的XGBoost,构建的新XGBoost模型框架(SAPI-Bay-ImpXGBoost)相比于BP神经网络、支持向量机(SVM)、K近邻(KNN)、AdaBoost预测精度更高,有助于提高小断层地震识别的准确率.

关键词：小断层解释、证据权重、贝叶斯优化、采集函数、XGBoost

所属期刊栏目：48

分类号：P631.4

资助基金：国家重点研发计划;国家自然科学基金;国家自然科学基金

在线出版日期：2023-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2530-2539