概率神经网络方法在岩性识别中的应用

本文研究利用概率神经网络方法进行测井资料的岩性识别;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其计算量小且预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,概率神经网络在岩性识别问题中有着一定的应用前景。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．     

基于TAN贝叶斯网络分类器的测井岩性预测

贝叶斯网络是一种建立在概率和统计理论基础上的数据分析和辅助决策工具,利用其构造出的树扩展朴素贝叶斯网络分类器是目前最优秀的分类器之一。针对石油勘探中测井数据的特殊性,利用贝叶斯网络预测出其对应的岩性,并介绍了使用此方法进行岩性预测的算法过程。通过BNT软件包用Matlab语言构建了分类器,并由实验结果的分析说明了此分类器的优点。     

基于LSTM的感应测井数据预测方法研究

为研究感应测井数据质量,采用长短期记忆（Long Short Term Memory,LSTM）网络作为感应测井数据预测模型。首先建立阵列感应测井数据库,进行统一标准格式化并建立3层模拟地层环境模型;其次建立LSTM神经网络预测模型预测阵列感应测井原始阵列数据,并通过图表可视化输出预测结果;最后使用预测指标评价预测结果。结果表明基于LSTM神经网络的预测模型预测阵列感应测井原始阵列数据较为准确,且比传统方法更快速、简便。     

神经网络在测井资料岩性识别中的应用研究

将神经网络用于石油测井资料岩性识别.在对主要分层曲线做分层直方化处理、聚类并层处理、归一化处理之后,利用FTART2神经网络对测井数据进行学习,从而预测未知地层的岩性.实验结果表明,PTART2在实用效果上明显优于该领域目前常用的D-BP算法.     

自组织竞争网络在测井资料岩性识别中的应用

利用自组织神经网络自组织自学习的学习能力的特点,在分析影响岩性识别因子的基础上,建立了基于MATLAB的自组织竞争网络模型.通过比较基本竞争型网络和自组织特征映射网络两种网络结构实现岩性分类.实验结果表明,利用自组织竞争网络模型对测井资料岩性识别是可行的,正确率高,为岩性识别的研究提供了新方法.     

基于小波支持向量机的非线性组合预测方法研究

基于支持向量机（SVM）核方法和小波框架理论，提出了一种称为小波支持向量机（Wavelet Support Vector Machines, WSVM）的新的机器学习方法，并把这种方法应用于组合预测，得到了一种基于WSVM的非线性组合预测新模型，然后给出了此模型的结构设计和实现算法．通过仿真实验，把该方法与小波神经网络等方法相比较，得到了更好的实验结果，从而验证了该方法的正确性和有效性．     

基于预测的序列异常数据挖掘

本文中，我们分析了给定的股票时间序列。首先，基于稳定化时间序列，我们通过模型识别和估计．给出了一个初始模型，用以预测股票价格。然后，我们可通过股票检测来发现股票时间序列的异常点。最后．通过修正这些异常点，便可完善模型，逐步提高股票的预测精度。     

基于纹理特征的测井图像分类算法的研究

成像测井由于其能够以图像的形式直观表示地层的岩性与结构特征,已成为测井领域的研究热点之一.如何利用图像处理、模式识别等相关理论方法对成像测井图像进行较为精确的定量评价和解释是研究的核心.首先从成像测井的研究背景及现状出发,详细比较和分析了纹理分析的各种算法.通过对灰度共生矩阵法、LBP算法、Gabor变换、小波变换、Contourlet变换等算法进行比较,给出成像测井图像分类过程中特征提取的参考建议.在此基础上,结合测井图像的模式特点,提出了一个基于纹理特征的成像测井图像分类系统模型.最后总结了该领域所面临的问题及未来的研究发展趋势.     

基于Logistic方法定量判别岩性的研究

判别地层的岩性是地质勘探中的一项最基础性工作。过去,主要靠钻孔岩心编录来判别地层岩性,但对大量快速无岩心钻进的钻孔来讲,此方法就行不通了。针对这种情况,应用Logistic判别法,进行了利用煤田测井曲线数据定量判别岩性的研究工作。研究得出:应用此方法能够自动、定量的判别岩性,达到了研究目的。     

基于中心距离比值的增量支持向量机

研究了支持向量、中心距离比值、边界向量以及增量学习之间的关系，提出了基于中心距离比值的增量支持向量机。与传统方法相比，基于中心距离比值的增量支持向量机有效的利用了中心距离比值，解决了CDRM+SVM的阈值选取问题；且适合于增量学习；从而在保证了支持向量机的分类能力没有受到影响的前提下提高了支持向量机的训练速度。     

基于增量学习的超球支持向量机设计

增量学习是通过从已知样本出发对未知样本进行识别和分类,并能够继续学习的方法和原则。论文在分析了HS-SVM的理论基础后,基于Joachims的直推式SVM分类算法,提出了直推式THS-SVM算法,同时,独立提出了简单自学习的SHS-SVM学习方法。THS-SVM和SHS-SVM能够在训练过程中不断学习无标签样本的信息。实验表明将THS-SVM和SHS-SVM用于基于内容的图像检索是有效的。     

支持向量机在人口预测中的应用

支持向量机是一种新型的机器学习方法，该学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则，在小样本的机器学习中显示出了优异的性能。将这种新的统计学习方法应用到非线性时间序列预测，并将结果与BP神经网络预测的结果进行比较，结果表明该方法有更高的预测精度。     

一种新的基于SVM和主动学习的图像检索方法

在基于内容的图像检索中,支持向量机（SVM）能够很好地解决小样本问题,而主动学习算法则可以根据学习进程主动选择最佳的样本进行学习,大幅度缩短训练时间,提高分类算法效率。为使图像检索更加快速、高效,提出一种新的基于SVM和主动学习的图像检索方法。该方法根据SVM构造分类器,通过“V”型删除法快速缩减样本集,同时通过最优选择法从缩减样本集中选取最优的样本作为训练样本,最终构造出不仅信息度大而且冗余度低的最优训练样本集,从而训练出更好的SVM分类器,得到更高的检索效率。实验结果表明,与传统的SVM主动学习的图像检索方法相比,该方法能够较大幅度提高检索性能。     

基于支持向量机的蒸煮过程卡伯值软测量

卡伯值是制浆蒸煮过程表征纸浆质量的一个重要质量指标，卡伯值软测量是实现蒸煮过程质量控制的重要途径。支持向量机是一种新型的机器学习方法。该方法采用了结构风险最小化原则，与传统机器学习方法相比，在最小化学习误差的同时可以保证有较小的泛化误差。将支持向量机应用于制浆蒸煮过程卡伯值的软测量建模，取得了比经验模型更好的预测效果。     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

基于SVM的软测量建模

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型学习机，本 文提出用支持向量机建立软测量模型．理论分析和仿真研究表明，该方法学习速度快、跟踪 性能好、泛化能力强、对样本的依赖程度低，比基于RBF神经网络的软测量建模具有更好的 推广能力．     

An algorithm for semi-supervised learning in image retrieval

We study the problem of image retrieval based on semi-supervised learning. Semi-supervised learning has attracted a lot of attention in recent years. Different from traditional supervised learning. Semi-supervised learning makes use of both labeled and unlabeled data. In image retrieval, collecting labeled examples costs human efforts, while vast amounts of unlabeled data are often readily available and offer some additional information. In this paper, based on support vector machine (SVM), we introduce a semi-supervised learning method for image retrieval. The basic consideration of the method is that, if two data points are close to each, they should share the same label. Therefore, it is reasonable to search a projection with maximal margin and locality preserving property. We compare our method to standard SVM and transductive SVM. Experimental results show efficiency and effectiveness of our method.     

路由器中基于支持向量机（SVM）的异常检测方法研究

支持向量机（SVM）是一类新型机器学习方法,首先简要介绍了SVM的基本原理,进而分析了该方法应用于异常检测,最后对基于支持向量机（SVM）的异常检测在路由器中的实现方法进行了简要论述和仿真实验。     

支持向量机核函数选择研究与仿真

支持向量机是一种基于核的学习方法,核函数选取对支持向量机性能有着重要的影响,如何有效地进行核函数选择是支持向量机研究领域的一个重要问题。目前大多数核选择方法不考虑数据的分布特征,没有充分利用隐含在数据中的先验信息。为此,引入能量熵概念,借助超球体描述和核函数蕴藏的度量特征,提出一种基于样本分布能量熵的支持向量机核函数选择方法,以提高SVM学习能力和泛化能力。数值实例仿真验证表明了该方法的可行性和有效性。