原始训练集（30个井点）
→ 数据预处理（清除无效值较多的属性，清除井点与地震在属性的统计指标上不符的属性）
→ PCA降维
→ 对主成分和砂厚的非线性关系进行多模型简单拟合，生成一些虚拟井并筛选，使样本分布均衡
→ 如果样本依旧不均衡，添加随机扰动，使样本均衡
→ 根据自相关性将属性分组
→ 遍历从多个组中选三个组的属性组合（如果组里只有一个属性，选这个属性即可；有多个属性，则随机选择）
→ 将这三个属性作为输入，训练组合数 × 参数网格大小个SVR模型，取最好的五个，求平均
无论是数据扩容还是模型选择，都只能造成一些软边界的改变，例如原来预测薄砂的地方经过方法迭代可以预测得厚一点，但是无法影响相与相之间的硬边界，这种现象的本质，是训练集样本数的不足和样本空间位置过于集中，导致监督模型的预测无法泛化，使原始地震属性之间的数据相似度占据了最终结果的主导地位。