本發(fā)明涉及數據處理，尤其涉及一種天然裂縫變尺度識別數據分析方法。

背景技術：

1、天然裂縫的形成和演化與地質構造、地下水、應力場等因素密切相關，通過變尺度識別，可以更有效地理解裂縫在不同尺度下的分布特征和演變規(guī)律，有助于評估地質災害風險，比如地面坍塌、巖溶崩塌等，從而提前預警和采取防范措施。除此之外在資源勘探和開發(fā)領域，裂縫對于儲層性質和流體運移有重大影響，通過識別裂縫在不同尺度上的空間分布和連通性，可以優(yōu)化資源勘探策略，提高資源的開發(fā)利用率。因此對天然裂縫進行變尺度的識別和分析在地質工程、石油勘探、礦業(yè)等領域具有廣泛的應用意義。

2、而機器學習中的pca主成分分析可以很好的用于天然裂縫的變尺度分析和識別，具體的：通過收集裂縫的相關特征數據，例如通過激光掃描或攝影測量等方法獲取尺寸、形狀、位置和其他幾何參數，并將收集的相關特征數據標準化后再輸入pca算法中，提取出多種尺度下數據的主成分，由此幫助識別裂縫的主要變化模式。該pca算法通過最大化數據方差，提取主要特征，并降維簡化復雜數據，從而識別和分析裂縫的主要變化模式，由此pca算法為裂縫尺度分析中的一種強大工具，能夠揭示裂縫在不同特征上的重要變化并提供有效的尺度識別。

3、但pca算法在裂縫的變尺度分析過程中主成分的選擇為一個關鍵且重要的步驟，傳統(tǒng)方式下pca算法中的主成分的選擇為特征值最大的特征向量，即保留方差最大值所對應的主成分；但對于當前場景而言，主成分的選擇僅依賴于傳統(tǒng)特征值最大的評估標準存在較高的局限性，且主成分的選擇難以設定，較多的主成分選擇會導致計算復雜度顯著增加，影響尺度分析效率，同時存在過擬合風險或使得pca算法受噪聲影響過大；而較少的主成分選擇會導致信息丟失，解釋能力下降，并影響pca算法的性能和準確性。

4、因此，如何在利用pca算法進行裂縫的變尺度分析時選擇合適的主成分，以提高天然裂縫的變尺度分析和識別的效率成為亟需解決的問題。

技術實現思路

1、有鑒于此，本發(fā)明實施例提供了一種天然裂縫變尺度識別數據分析方法，以解決如何在利用pca算法進行裂縫的變尺度分析時選擇合適的主成分，以提高天然裂縫的變尺度分析和識別的效率的問題。

2、本發(fā)明實施例中提供了一種天然裂縫變尺度識別數據分析方法，該方法包括以下步驟：

3、獲取不同尺度下的天然裂縫數據，在所有天然裂縫數據中提取n個特征對應數據組成一個特征數據矩陣，其中，所述特征數據矩陣的每列代表一個特征，每行代表一個天然裂縫數據，利用pca算法對所述特征數據矩陣進行主成分分析，得到按照特征值從大到小對特征向量排序后的特征向量序列；

4、針對所述特征向量序列中的任一特征向量，獲取所述特征數據矩陣的對角矩陣，根據所述特征向量上的數據點之間的距離和所述對角矩陣，獲取所述特征向量屬于最優(yōu)主成分的評估參考指標；

5、在所述特征向量序列中按順序累加選取m個特征向量，并根據所述m個特征向量的特征值和評估參考指標，獲取所述m個特征向量的優(yōu)選判定指標，直至所述優(yōu)選判定指標大于或等于預設判定指標閾值，則將對應的m值作為主成分選取數量；

6、根據每個所述特征向量屬于最優(yōu)主成分的評估參考指標和所述主成分選取數量，在所有特征向量中篩選得到有效主成分，根據每個所述有效主成分進行天然裂縫的識別。

7、優(yōu)選的，所述根據所述特征向量上的數據點之間的距離和所述對角矩陣，獲取所述特征向量屬于最優(yōu)主成分的評估參考指標，包括：

8、根據所述特征向量上的數據點之間的距離和數量，獲取所述特征向量的數據分布平穩(wěn)指標，獲取所述對角矩陣的特征值，根據所述對角矩陣的特征值和所述特征向量的數據分布平穩(wěn)指標，得到所述特征向量屬于最優(yōu)主成分的評估參考指標。

9、優(yōu)選的，所述根據所述特征向量上的數據點之間的距離和數量，獲取所述特征向量的數據分布平穩(wěn)指標，包括：

10、獲取所述特征向量上的第一個數據點和最后一個數據點之間的距離，對所述距離進行歸一化處理，得到對應的歸一化值；

11、分別獲取所述特征向量上每兩個相鄰數據點之間的距離，得到距離之和、最大距離和最小距離，獲取所述最大距離和所述距離之和的第一比值，獲取所述最小距離和所述距離之和的第二比值，得到所述第一比值和所述第二比值之間的比值差值絕對值；

12、利用以自然常數為底數的指數函數，對所述比值差值絕對值進行負映射，得到對應的映射值，對所述映射值和所述歸一化值進行加權求和，對應得到的結果作為所述特征向量的數據分布平穩(wěn)指標。

13、優(yōu)選的，所述根據所述對角矩陣的特征值和所述特征向量的數據分布平穩(wěn)指標，得到所述特征向量屬于最優(yōu)主成分的評估參考指標，包括：

14、計算所述對角矩陣的特征值和所述特征向量的數據分布平穩(wěn)指標之間均值作為所述特征向量屬于最優(yōu)主成分的評估參考指標。

15、優(yōu)選的，所述根據所述m個特征向量的特征值和評估參考指標，獲取所述m個特征向量的優(yōu)選判定指標，包括：

16、根據所述m個特征向量的特征值，在所述m個特征向量中統(tǒng)計特征值大于預設值的特征向量數量，計算所述特征向量數量與所述m值之間的數量比值；

17、根據每個所述特征向量的評估參考指標，得到評估參考指標總和，分別計算所述m個特征向量中的每個特征向量的評估參考指標與所述評估參考指標總和的指標比值，得到指標比值序列；

18、計算所述指標比值序列中每兩個相鄰指標比值之間的差值，得到差值累加值，計算所述差值累加值的倒數與數量比值之間的均值作為所述m個特征向量的優(yōu)選判定指標。

19、優(yōu)選的，所述根據每個所述特征向量屬于最優(yōu)主成分的評估參考指標和所述主成分選取數量，在所有特征向量中篩選得到有效主成分，包括：

20、按照評估參考指標從大到小的順序，在所有特征向量中選取與所述主成分選取數量相等的k個特征向量作為有效主成分。

21、本發(fā)明實施例與現有技術相比存在的有益效果是：

22、本發(fā)明獲取不同尺度下的天然裂縫數據，在所有天然裂縫數據中提取n個特征對應數據組成一個特征數據矩陣，其中，所述特征數據矩陣的每列代表一個特征，每行代表一個天然裂縫數據，利用pca算法對所述特征數據矩陣進行主成分分析，得到按照特征值從大到小對特征向量排序后的特征向量序列；針對所述特征向量序列中的任一特征向量，獲取所述特征數據矩陣的對角矩陣，根據所述特征向量上的數據點之間的距離和所述對角矩陣，獲取所述特征向量屬于最優(yōu)主成分的評估參考指標；在所述特征向量序列中按順序累加選取m個特征向量，并根據所述m個特征向量的特征值和評估參考指標，獲取所述m個特征向量的優(yōu)選判定指標，直至所述優(yōu)選判定指標大于或等于預設判定指標閾值，則將對應的m值作為主成分選取數量；根據每個所述特征向量屬于最優(yōu)主成分的評估參考指標和所述主成分選取數量，在所有特征向量中篩選得到有效主成分，根據每個所述有效主成分進行天然裂縫的識別。其中，通過分析主成分分析之后的每個特征向量屬于最優(yōu)主成分的評估參考指標和所需的主成分選取數量，能夠避免傳統(tǒng)方式下僅根據特征值大小進行主成分排序，且在不影響計算復雜度效率的同時保留裂縫重要的變化信息，達到有效分析和識別裂縫變尺度特征的效果，揭示裂縫的主要變化模式和影響因素。