基于地震屬性的小樣儲層預測方法研究越來越受到業界關注，并逐漸演變成一種基于置信度的聯合儲層預測方法。將三類不同模式識別算法應用于儲層預測，分別是基于線性最優投影的FLD 算法、基于經驗風險最小化的BP神經網絡方法及基于結構風險最小化的SVM 方法。
       通過實驗證明，在可利用測井樣本較少的情況下通過聯合儲層預測方法，較好地在置信度及測井符合率之間進行平衡。隨著模式識別及相關算法的不斷完善和發展，大量的模式識別算法被應用到儲層預測領域。FLD 算法的核心思想是尋找一個最優投影方向將d 維空間的樣本投影到一條直線上，同時使得投影后的模式樣本具有最大類間矩陣及最小類內散布矩陣，以達到使不同類的樣本在投影后盡可能分開，同類樣本盡可能聚集的目的。
       實驗結果表明，FLD 算法能夠取得較高的測井符合率。FLD 算法的核心思想為考慮將 d 維空間的樣本投影到一條直線上，形成一維空間，即把維數壓縮到一維，同時尋找一個最佳投影方向使得投影后的模式樣本具有最大類間矩陣及最小類內散布矩陣，使得不同類的樣本在分類后盡量分開得最遠。由于投影后在一維Y 空間里各類樣本盡可能分開，即兩類樣本均值之差越大越好；同時希望樣本內部盡量密集越小越好。實現步驟為首先求解最佳投影方向；其次利用閾值公式求解判別閾值；最后將待測樣本進行決策。使用FLD 建立含油氣性預測模型具體步驟如下：首先選取監督樣本，從測井集合中選取若干測井作為訓練樣本； 其次計算FLD，利用所選監督樣本計算最佳投影方向和閾值； 之后選取測試樣本， 由于FLD 并不是基于學習的模式識別方法，因此可選取所有測井作為測試樣本測試當前FLD 的分類能力；最后計算測井符合率，利用所求投影方向和閾值對測試樣本進行分類，獲取測井符合率并衡量預測模型分類能力。
       實驗的主要目的是通過FLD 算法建立含油氣性模型并通過求取測井符合率對FLD 分類能力進行檢驗，同時驗證FLD 可否用于儲層預測。利用判別規則將所有測井進行分類判別。假設所有測井的預測結果與真實含油氣性相吻合，分類能力較好，則投影方向和閾值可用于整個區塊儲層預測中，同時也證明FLD 可用于建立含油氣性模型。對某區塊進行儲層預測外推，區塊范圍為Inline（350~900），Xline（550~920），預測結果如圖所示，其中紅色代表預測結果為含油氣區域，藍色代表預測結果為不含油氣區域。