一类正则模糊神经网络及在沉积微相识别中的应用

考虑一种5层结构的正则化模糊神经网络模型，针对网络结构的优化问题给出了该网络模型规则层节点的选取方法和相应的反传学习规则；针对样本筛选问题，提出一种按模糊隶属函数值相近样本向量类别矫正策略。将正则模糊神经网络用于油藏沉积微相的识别，可自动提取测井曲线与微相类型之间复杂的映射关系，实现沉积微相的连续识别。实际资料处理结果表明，该方法对解决沉积微相识别问题具有良好的适应性和实用性。     

一种时序曲线的表示和识别方法

为了进行时序曲线识别,沿着x轴方向,通过均等细分180°,对曲线进行标准编码,以反映曲线的总体变化趋势。在此基础上,进一步确定曲线的修正编码,以表示曲线与标准编码的差异程度。通过两级编码,准确表示了曲线的变化趋势。最后分别定义标准编码和修正编码的近似度函数,实现两条曲线不等长编码的近似度计算。对新疆克拉玛依陆梁地区的测井曲线进行两级编码和近似度计算实现了沉积微相的自动识别,取得很好的识别效果。     

测井时间序列的混沌现象研究

测井时间序列的计算机沉积微相识别，在特征提取上有一定的难度。证明测井时间序列是混沌的，是提取其混沌特征的前提条件。混沌时间序列的判定目前已有不少方法，本文结合测井曲线的特点，利用相空间重构技术和G—P算法，用关联维数方法证明了测井时间序列确实存在混沌。实验数据来自某油田的实际测井数据。实验结果表明，油层组的关联维数与油层的构造特点有关，并发现了该区域油井的油层组关联维数一般大于全井这一有趣的现象。     

多源信息融合的测井曲线分层算法研究

测井数据解释中,针对单一测井曲线无法真实反映地层属性问题,提出以多条测井曲线的滤波因子为权值,融合出一条综合特征曲线,对该特征曲线相继采用层内差异法细分层与模糊聚类校正分层,实现特征曲线的合理分层。实验结果表明:该方法避免了海量数据处理过程,剔除了噪点数据的影响,提高了分层的速度与精度,能够为应用测井资料进行岩性识别、测井相分析、储层划分等研究提供有利的技术支撑。     

支持向量机及其在复杂水淹层识别中的应用

研究了基于结构风险最小化原理的支持向量机方法对模式类的识别能力，构造了可用于多个模式类识别的级连式SVM模型。该模型易于实现，且能够找到模式间的最优分类超平面，泛化能力较高。支持向量机用于模式识别不存在局部极小值问题，且不需网络迭代训练，求解速度明显高于神经网络。该模型采用两种核函数，将SVM用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系，从而实现模糊性油藏测井解释中水淹层的识别。实验结果表明，此方法对解决水淹层识别问题具有良好的适应性和实用性。     

一类正规模糊神经网络及其在复杂水淹层识别中的应用

考虑了一种五层结构的正规化模糊神经网络模型,针对网络结构的优化问题给出了该网络模型的规则层节点的选取方法和相应的反传播学习规则.对于具有较少数输入节点的情况,该网络有较快的训练速度.油藏测井解释中水淹层的识别是石油开发中特别是开发中后期比较突出的一个问题,复杂的地质条件在测井曲线的表现中具有许多模糊性,在各种模糊条件的组合下油藏水淹表现为强水淹、中水淹、弱水淹和无水淹等情形.将正规模糊神经网络用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系,从而实现模糊性油藏测井解释中水淹层的识别.实验表明此方法对解决水淹层识别问题具有良好的适应性和实用性.     

基于砂体统计参数应用BP神经网络方法识别岩性

随着测井技术的不断进步,测井数据成为获得地层岩性信息的重要依据。岩性识别是测井数据解释中最关键的环节。传统的识别方法效率低、准确性不高、人为影响大、不利于在实际工程的应用。为降低测井曲线岩性分类过程中人工砂体解释工作的繁琐性与主观性影响,在统计参数的基础上,提出一种应用BP神经网络的测井曲线自动解释方法。以工区内已解释岩性的测井数据作为训练数据,选择测井数据中的电阻率、孔隙度、渗透率、泥质含量、深侧向以及浅侧向作为神经网络的输入数据,利用BP神经网络模型对岩性进行识别,输出数据是对应岩性的解释结果。实验数据测试证明,该方法能够自动、快速地实现测井曲线砂体解释,有助于地质工作者进行可靠、有效的岩性识别工作。     

测井曲线识别与跟踪的研究

用图象处理实现测井曲线的模／数转换,核心问题是对曲线的识别与跟踪,该文探讨有关曲线识别、跟踪的问题及其解决方法。     

沉积微相图的自动绘制技术

沉积微相研究是开发地质研究的重要环节,准确的沉积微相是储层物性展布模型接近油藏实际的重要保证。论文在推广的地质建模软件Earthvision深度开发的基础上,提出了沉积微相图自动绘制的技术方法,并应用用户自主开发语言完成了软件模块的编制。实例应用检测效果良好,这表明提出的方法实用性较强,克服了目前开发地质研究过程中沉积微相图件制作仅根据储层厚度的大小来简单划分造成的精度不够,无法满足储层分布模型要求的缺陷,对于改善开发地质的研究手段、提高模型建立精度具有重要意义。     

基于自组织神经网络在油气分层中的研究

测井曲线的分层研究是勘探和开发油气资源的重要手段,也是认识油气层的地质面貌,以及剖析油气藏量内在规律的一种有力武器。该文介绍了一种基于自组织神经网络对测井曲线进行聚类自动分层的识别方法,它是一种通过网络自身的调节,从而对输入数据进行聚类的方法。该文采用某地区的油气层数据来建立网络模型,首先采用了插值的方法,消除该测井数据随机干扰带来的噪声,同时保留了数据的完整性和代表性;然后通过利用自组织神经网络算法,对该数据自动进行四层的识别分类;最后结合人工分层的结果进行验证,以保证利用自组织神经网络识别的结果更加客观和可靠。该方法的可操作性强,原理简单易于实现,说明该算法对研究测井曲线具备一定的有效性和可行性。     

一种基于神经网络的沉积相识别方法

将人工神经网络(ANN)模式识别技术应用于对测井曲线进行单井划相,加快了划相速度,大大提高了工作效率.根据某地区的河流微相特征标志,给出了一种基于神经网络的沉积相识别方法.神经网络采用带有动量项和自适应学习率的反向传播算法(BP)进行训练.     

测井曲线自动分层的建模与应用

测井曲线分层是物理勘探中的首要工作.论文在分析自然伽玛、自然电位、密度等多条曲线形态特征的基础上,提出了主成分分析、小波变换与综合方差比分析相结合的方法,完成了对多测井曲线的自动分层.针对非地层因素引起的数据干扰问题,加入了程序比较字符串的方式提取公共曲线,并归并薄层界面.实际结果表明,该方法兼顾了分层效率和分层精度的要求,具有较高的应用价值.     

人工免疫系统:原理、模型、分析及展望

目前，受生物免疫系统启发而产生的人工免疫系统（Artificial ImmuneSystem,AIS)正在兴起，它作为计算智能研究的新领域，提供了一种强大的信息处理和问题求解范式，该文侧重以AIS的基本原理框架为线索，对其研究状况加以系统综述，首先从AIS的生物原型入手，归纳提炼出其仿生机理，主要包括免疫识别，免疫学习，免疫记忆，克隆选择，个体多样性，分布式和自适应等，进而对几种典型的AIS模型和算法分门别类地进行了细致讨论，随后介绍了AIS在若干具有代表性的领域中的应用情况，最后通过对AIS的特性和存在问题的分析，展望了今后的研究重点和发展趋势。     

基于人工免疫与D-S证据理论的故障诊断方法

针对使用信息融合技术进行故障诊断时,基本概率赋值难以确定的问题,提出一种基于人工免疫原理与D-S证据理论相结合的故障诊断方法.该方法使用无类标数据进行人工免疫聚类,构建每一个传感器的故障空间的分类模型,设计了中心抗体和一般抗体的识别半径对未知样本进行免疫识别,计算该样本在各故障分类器下的基本概率赋值,最后通过D-S证据理论将各基本故障概率赋值进行融合诊断,基于信任函数进行故障决策.试验结果表明该方法可以处理多信息源数据,提高了故障识别能力,有一定实践意义.     

多维云模型定义的危险信号产生机制

危险信号的产生机制是危险理论的核心问题。云模型是描述不确定性概念的工具。本文借鉴多维云模型的思想来判定计算机系统参数的变化,产生危险信号并构造多概念云,用以划分危险等级。最后,我们综合危险信号与现有AIS识别机制构造了协同免疫识别模型。     

免疫系统模型的优化及其应用研究

通过免疫系统模型的介绍,文章提出多属性r连续位匹配规则来优化免疫系统模型并将其应用于图像识别中。实验表明,优化的免疫系统模型不仅提高了模式识别的效率,而且算法的时间复杂度和空间复杂度令人满意。     

测井元数据及其分其分布模型研究

给出了测井元数据的定义，顺此研究了测井元数据模型和它的内在特征，进而，针对跨地区油气勘探环境中的测井资料处理，研究出了基于测井元数据的分布式测井处理软件开发模型。     

基于小波变换的频谱特性及人工免疫的人脸识别

该文提出了用小波分解的频谱性和人工免疫系统进行人脸识别的方法。人脸图象经过小波分解后，其能量集中在分解的低频带上，因此对低频带图象进行频谱性分析后提取的特征向量具有对人脸图象表情不敏感且大大降低存储空间和计算复杂性的优点。人工免疫系统是对自然免疫系统的模拟，通过进化学习后，可以在外部病原体和身体自己的细胞之间进行辨别，并且人工免疫系统的克隆算法能够较好地保持群体的多样性，具有良好的泛化能力。因此对每一个人脸模板特征都可以用人工免疫系统中的模式识别方法生成一个特征评判集合，然后待识别的图象就可以用模版特征的评判集合来进行评判。