自动生成基于模糊神经网络及综合评判技术的油井压裂方案

本文考虑了一种五层结构的模糊神经网络模型，针对网络结构的优化问题给出了该网络模型规则层点的选取方法和相应的反传播学习规则。同时利用了模糊综合评判技术对油井压裂中的选井和选层过程进行了优选，实现压裂方案的自动生成。实验资料处理结果表明此方法对解决油井压裂方案问题具有良好的实用性。     

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。     

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。     

基于遗传变异与BP混合算法的抽油井流入动态预测

针对BP神经网络中存在的局部极小问题,提出了一种基于遗传变异和BP混合的网络算法。在综合考虑了油层渗透率、地层压力、井底流压等对油井产液量产生影响的因素的基础上,建立了基于上述网络算法的抽油井流入动态预测模型。实验结果表明,该模型具有较高的预测精度,预测结果可靠,可以作为抽油井流量估计的一种有效手段。     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

基于多规则实时学习神经网络的时间序列预测模型

在总结现有神经网络方法缺陷的基础上，提出了模型的思路：预测网络小型化；实时学习；多次预测取均值；加入规则辅助神经网络预测。相对于传统的神经网络模型来讲，该模型突出了动态学习、动态预测的特色，增加了辅助预测的3大规则（异常处理规则、再学习规则和取均值规则）。给出了该模型的工作流程，并以一个实际问题说明了该模型训练、预测的全过程。数据实例表明，该模型是正确的、可行的。同时和其他5种模型预测结果的对比表明，该模型的预测结果是最优的，这充分体现了模型的有效性、先进性。     

基于神经网络的水厂水质预测研究

水质预测模型类型繁多,结构复杂,不同的模型有不同的特点,适用于不同的情况。针对中电建夹江青衣水厂取水口的实际情况,采用不同的神经网络模型和不同的特征选择方法对水质数据进行预测,经对比发现:对于该厂取水口的水质预测问题,采用单层LSTM网络预测效果最好,对同一网络模型不对数据进行特征降维而用尽可能多的特征进行预测效果更好。该工作为后续更准确地预测提供了依据和研究方向。     

一种用于机场气象预测的模糊神经网络模型

针对民用机场多因素气象预测问题的复杂性,该文构建出一种基于粗糙集的模糊神经网络模型。采用粗糙集理论约简属性,挖掘潜在规则,在此基础上建立模糊神经网络模型,并根据规则的统计性质和离散化结果初始化网络参数,采用BP算法训练网络。实例验证,该模型在收敛速度与预测精度上优于传统的神经网络模型。     

基于优化的粗神经网络在地质样品元素的预测研究

在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理地确定隐含层神经元的数目,使神经网络提高收敛性能,获得更好的非线性逼近能力。仿真实验结果说明:优化的粗神经网络预测模型,可提取有用信息,简化网络结构,减少训练时间,提高预测精度。在地质样品元素的预测实验中,取得了良好的效果。     

一种加权模糊推理网络模型及其应用

提出了一种加权模糊推理网络的结构模型和学习算法,该网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整地表达领域规则和先验知识,以及神经网络自适应环境的优点。根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出了该网络模型的学习算法。该算法具有稳定、收敛速度快,且能较好地避免网络学习陷入局部极值点。以油田生产复杂水淹层识别问题为例,验证了模型和算法的有效性。     

基于灰色神经网络的骨折愈合应力预测

在骨折愈合应力准确预测问题的研究中,骨折愈合受许多因素的影响,应力是主要因素之一。为了加快骨折愈合的速度和提高质量,及时了解骨折愈合过程中应力的变化趋势并调整加力的大小,就显得很重要。然而应力的变化是不确定的,用传统的观察法医生很难确定次日应力的大小,用单一的GM(1,1)模型预测精度也不高。根据神经网络能有效修正灰色预测模型的思路,提出了基于灰色系统理论及径向基神经网络的组合预测模型。先用灰色系统理论中的GM(1,1)模型,用已有的实测应力数据对次日的骨折断面应力进行预测,然后用实测值与预测值的差值训练神经网络,从而可以对灰色预测的值进行修正。实验结果表明:提出的应力预测的模型获得较高的预测精度,说明组合预测模型效果优于单一的灰色预测模型。     

基于预报-校正法的汇率预测模型

神经网络已成为金融时间序列预测的一个有力工具，但有些设计因素对神经网络的预测效果有很大的影响，这些因素包括输入变量选择、网络的结构和训练数据量。提出了基于预报一校正方法的神经网络预测模型，并对不同大小的训练集的影响进行了实验研究。结果发现大的训练集有更好的预测效果，且该方法的预测精度要普遍高于单一神经网络所能达到的效果。     

甘蔗收获机切割性能的综合评价方法

由于甘蔗收获机的切割性能受到多指标的影响,提出了结合模糊综合评价与神经网络的方法对切割性能进行综合评价.采用模糊综合评价方法对受多指标影响的甘蔗根部破头率进行了综合评价,并用神经网络进行有关模糊综合评价知识的学习,以克服模糊综合评价方法烦琐的计算过程并减少由于学习样本的误差对网络预测性能的影响,从而提高评价模型求解问题的效率及自学习能力.     

BP神经网络在剩余油分布预测中的应用研究

我国多数油田经过一次、二次采油后,仅能采出地下总储量的30%左右,这意味着有60%～70%的剩余石油仍然残留在地下成为剩余油。加强剩余油分布规律研究、提高石油采收率不仅有着可观的经济效应,而且关系到国家石油战略的安全。本研究应用神经网络的原理,基于BP网络使用MATLAB语言建立一个剩余油分布的预测系统。该系统通过学习在地理坐标和孔隙度之间建立一个非线性函数关系,以此来预测任何区域的孔隙度,再通过孔隙度与剩余油饱和度之间的关系达到剩余油分布预测的目的。     

人工神经网络在EPDM硫化胶性能预测中的应用

该文将人工神经网络方法应用于EPDM硫化胶的性能预测，用按回归通用旋转组合设计方法设计的EPDM硫化胶20次性能试验数据作为人工神经网络的样本数据，利用MATLAB 6．5软件包中的神经网络工具箱，构造BP神经网络，优选最佳的神经网络参数，通过训练后，用于预测EPDM硫化胶的氧指数、扯断强度和伸长率性能。结果表明，训练好的神经网络可准确地预测EPDM硫化胶的有关性能，基于MATLAB 6．5的人工神经网络是分析EPDM配方各组分对硫化胶性能影响的一种快捷、可靠的新方法。     

运用人工神经网络预测一代粘虫发生程度的研究

根据历年的积累资料,采用人工神经网络方法,对黑龙江东南农田一代粘虫发生程度进行了预测预报研究。结果表明：该方法性能良好,预测准确,可望成为植物病虫害预测预报一种新的有效辅助手段     

基于粒子群优化的灰色神经网络组合预测模型研究

灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型(PSO-GMNN)。仿真实验结果表明,新预测模型的预测精度高于BP神经网络、灰色神经网络和灰色预测模型,同时也表明了该方法的有效性和可行性。     

基于人工神经网络的多模型综合预报方法

根据天气系统非线性变化及天气变化受大气多种内外因素综合影响的特点，文中提出了用ANN的前馈网络(BP算法)串入竞争自组织映射网络(SOM网络)方法对同一预报量进行不同结构类型的MOS模型、动力诊断模型和人工智能模型的综合预报。利用这一系统对样本进行了先聚类后训练的预报。结果表明，BP SOM网络实现多模型(异型)综合预报系统具有很好的应用前景。