基于地震属性的小样储层预测方法研究越来越受到业界关注，并逐渐演变成一种基于置信度的联合储层预测方法。将三类不同模式识别算法应用于储层预测，分别是基于线性最优投影的FLD 算法、基于经验风险最小化的BP神经网络方法及基于结构风险最小化的SVM 方法。
       通过实验证明，在可利用测井样本较少的情况下通过联合储层预测方法，较好地在置信度及测井符合率之间进行平衡。随着模式识别及相关算法的不断完善和发展，大量的模式识别算法被应用到储层预测领域。FLD 算法的核心思想是寻找一个最优投影方向将d 维空间的样本投影到一条直线上，同时使得投影后的模式样本具有最大类间矩阵及最小类内散布矩阵，以达到使不同类的样本在投影后尽可能分开，同类样本尽可能聚集的目的。
       实验结果表明，FLD 算法能够取得较高的测井符合率。FLD 算法的核心思想为考虑将 d 维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维，同时寻找一个最佳投影方向使得投影后的模式样本具有最大类间矩阵及最小类内散布矩阵，使得不同类的样本在分类后尽量分开得最远。由于投影后在一维Y 空间里各类样本尽可能分开，即两类样本均值之差越大越好；同时希望样本内部尽量密集越小越好。实现步骤为首先求解最佳投影方向；其次利用阈值公式求解判别阈值；最后将待测样本进行决策。使用FLD 建立含油气性预测模型具体步骤如下：首先选取监督样本，从测井集合中选取若干测井作为训练样本； 其次计算FLD，利用所选监督样本计算最佳投影方向和阈值； 之后选取测试样本， 由于FLD 并不是基于学习的模式识别方法，因此可选取所有测井作为测试样本测试当前FLD 的分类能力；最后计算测井符合率，利用所求投影方向和阈值对测试样本进行分类，获取测井符合率并衡量预测模型分类能力。
       实验的主要目的是通过FLD 算法建立含油气性模型并通过求取测井符合率对FLD 分类能力进行检验，同时验证FLD 可否用于储层预测。利用判别规则将所有测井进行分类判别。假设所有测井的预测结果与真实含油气性相吻合，分类能力较好，则投影方向和阈值可用于整个区块储层预测中，同时也证明FLD 可用于建立含油气性模型。对某区块进行储层预测外推，区块范围为Inline（350~900），Xline（550~920），预测结果如图所示，其中红色代表预测结果为含油气区域，蓝色代表预测结果为不含油气区域。