基于正则化模糊神经网络的油井压裂效果预测

论文考虑了一种五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播学习规则。同时利用该网络模型对油井压裂的效果进行了预测,起到了辅助决策的作用。实际资料处理结果表明此网络模型对油井压裂效果预测问题具有良好的实用性。     

基于支持向量机的压裂井层优选

压裂是油田重要的增产措施，合理选择压裂井层是一项十分复杂的工作。在对影响压裂效果的各种因素综合分析的基础上，提出了基于支持向量机技术的压裂效果预测方法。采用该方法，利用油田开发动、静态数据，构建了压裂井层优选的支持向量机模型，对大庆油田采油八厂样本进行处理，符合率达89％以上，并在不同数目学习样本的情况下同模糊神经网络作了比较，性能远优于模糊神经网络，可很好地克服过学习问题。     

递推窗口式多层构造简化模糊推论模型的研究

提出了一种递推窗口式多层构造简化模糊推论模型，在该模糊模型中，因各层的分割数相异，而使得该模型规则具有不同特性，在其模糊分割数较多的层上，可以获得高辨识精度的模糊规则，而在分割数较少的层上，模糊规则的生态变得简单易行，该文通过对两个非线性函数的辩识实验，验证了多层构造简化模糊推论模型有效性     

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。     

转向压裂技术在油田后期开发中的研究与应用

玉门油区老君庙油田主力油藏具有不压不出油的特性。水力压裂技术是有效开发低渗透油藏的主要技术措施,但经过水力压裂的采油井,在生产过程中由于种种原因可能导致水力裂缝闭合失效。为此,文章阐述了裂缝转向压裂的技术原理,建立了裂缝转向的数学模型,提出了裂缝转向重复压裂的选井选层原则。裂缝转向压裂矿场实施15口井,取得较好的增产效果,裂缝转向压裂对于老油田综合治理、挖潜增产具有非常重要的意义。     

基于模糊网络和粒子群优化的油田指标预测

针对油田开发指标预测问题,提出一种模糊神经网络模型,该模型包括输入层、模糊化层、规则层和输出层。模糊化层采用高斯隶属函数,规则层每个节点对应一条模糊逻辑规则。网络可调参数为模糊集参数和输出层权值。提出了基于改进量子粒子群优化的网络训练方法。以油田开发指标中含水率预测为例,结果表明该方法是有效的可行的。     

遗传算法在电液伺服系统分层模糊控制中的应用

针对模糊控制中规则数和可调参数多的问题,对遗传算法在分层模糊控制系统中的应用进行了研究,考虑遗传算法具有强大的全局搜索能力,提出了基于遗传算法的分层模糊控制的设计方案。该方案采用2个模糊控制器分层连接,即第一层采用基于遗传算法优化的模糊控制器,第二层采用典型的模糊控制器,从而大大减少了模糊规则和可调参数的个数,便于实时控制。电液伺服系统的实际仿真结果验证了该方案的有效性。     

基于T-S推理网络的油田开发指标预测方法*

针对油田开发指标预测问题,提出一种T-S推理元模型,该模型包括输入层、模糊化层和推理层。每个推理元对应一条模糊逻辑规则,由若干T-S推理元可构成T-S推理网络。网络可调参数包括模糊集参数和模糊规则参数。提出了基于改进量子粒子群优化的参数确定方法。以油田开发指标中含水率和采油量预测为例,结果表明,该方法是有效且可行的,从而表明模糊逻辑与智能优化算法的融合对于解决指标预测问题具有一定潜力。     

一种模糊多层关联规则挖掘算法

针对传统数据挖掘中的“尖锐边界”问题,采用将模糊理论和关联规则挖掘技术相结合的思想,在改进传统Apriori算法的基础上,结合多层关联规则挖掘的方法,提出了一种模糊多层关联规则挖掘算法。对模糊多层关联规则挖掘的基本概念进行了定义,详细描述了模糊多层关联规则挖掘算法。最后用Visual FoxPro6．0语言实现了该算法程序,通过交易数据库挖掘实验表明算法是有效的。     

一种新的模糊神经元网络学习方法

提出了一种模糊神经元网络的学习算法即利用多 层多层模糊IF/THEN规则表达专家知识的神经网络学习方法，在以此构造的基于多源信息融合的分类系统中，采用了多层模糊IF/THEN规则进行分类。为了处理模糊语言值，提出了一种能够控制模糊输入矢量的神经网络体系结构。该方法能够对非线性实间隔矢量和模糊矢量进行分类，工程实验表明，此学习算法是切实可行的。     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

广义模糊推理与广义模糊RBF 神经网络

在提出广义模糊推理概念的基础上,提出并分析了广义模糊径向基(RBF)神经网络模型,给出了该网络的广义学习算法。仿真结果验证了广义模糊RBF神经网络模型具有良好的函数逼近能力,所提出的学习算法是可行和有效的。     

一种改进型T-S模糊神经网络

对T-S模糊神经网络进行了分析,提出了一种新型T-S模糊神经网络,改进了前件网络的结构及学习算法,减少了模糊规则层的节点数,有效地克服了T-S模糊神经网络模糊规则冗余的缺点。这种新型T-S模糊神经网络具有学习算法简单、收敛速度快等优点。把该网络应用到卷取温度控制中进行仿真,得到了满意的结果。     

基于FEBM和模糊神经网络的模糊概念识别

在基于解释的机器学习问题上,近期提出的模糊模型FEBM（Fuzzy Explanation-Based Model)为模糊概念的识别和分类提供了一种很好的解决手段。在对该模型当对象的解释谓词在[0,1]上取确值的情况时,计算“对象属于概念C的真值”的公式进行适当调整的基础上,结合神经网络可以用于模式识别和分类的特点,提出了一种基于模糊神经网络和FEBM的模糊概念识别方法。实验表明,该方法是有效的和可行的,是关于该模型应用的一个极为有意义的尝试。     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

三级倒立摆的加权变量模糊神经网络控制

为了提高三级倒立摆系统控制的响应速度和稳定性,在设计Mamdani型摸糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比,表明该Sugeno型模糊神经网络控制器对三级倒立摆系统的控制具有良好的稳定性和快速性,以及较高的控制精度。     

一种基于模糊神经网络的机器人控制

采用高斯函数作为模糊隶属函数,将模糊控制与神经网络相结合。利用神经网络实现模糊推理,运用了一种模糊高斯基函数神经网络,并用于两关节机器人的轨迹跟踪控制。仿真结果表明,该网络对机器人轨迹跟踪控制具有很好的效果,是一种行之有效的控制方法。     

一种基于模糊分类的模糊神经网络辨识方法

针对非线性辨识问题,基于改进的T-S模型,提出一种自适应模糊神经网络模型(AFNN)。首先,基于模糊竞争学习算法确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

软件需求权重的模糊网络分析法

针对软件开发中顾客需求元素间的复杂关系,分析了层次分析法（AHP）与模糊层次分析法（FAHP）在解决复杂需求权重时所存在的缺陷;运用网络分析法（ANP）与梯形模糊数相结合的模糊网络分析法,建立加权极限超矩阵求解需求元素的混合权重;对比分析了模糊网络分析法、模糊层次分析法和网络分析法的权重结果;揭示了在复杂系统中元素的相互联系和顾客需求相对重要度评价的模糊性在权重的求解中的重要性;验证了模糊网络分析法在复杂需求权重求解中的可行性。研究结果为软件开发中顾客需求复杂权重的准确求解提供了依据。