桩海 10潜山油藏小波多尺度边缘检测技术研究

由于裂缝具有多尺度的特点,不同级别的裂缝对地震传播速度和波的振幅、频率所产生的影响不同,利用潜山储层裂缝检测与图像分析中的边缘检测具有许多相似之处的特点,根据Canny边缘检测定义,对三维地震数据的层切片f(x,y)进行多尺度边缘检测,等价于寻找小波变换模的局部极值,利用这些模局部最大值点就可以确定f(x,y)的剧烈变化点或边缘点.将小波多尺度边缘检测理论与地震波场对裂缝的多尺度特性相结合,形成了反映地震记录的多尺度边缘检测方法.桩海10潜山应用效果表明,小波多尺度边缘检测方法储层预测结果与钻井资料吻合较好,是解决潜山油藏储层预测的一种有效手段,对潜山油藏的勘探开发有一定指导意义.     

基于SRK状态方程的烃类液相密度计算校正

针时SRK状态方程在烃类体系相平衡中计算饱和液体体积时误差较大,易导致对饱和液体的密度预测欠准确的问题.在SRK状态方程的基础上,提出了计算饱和液体体积的体积平移法,并采用Rackett方程中相关参数实现参数间的关联,从而更精确地实现饱和液相密度的计算.计算结果与实测数据对比表明,采用体积平移法后计算出的液相密度与实际密度的误差远小于未校正计算值的误差,提高了SRK状态方程的应用范围.     

最大Lyapunov指数实现局域网流量的预测

由于网络中存在复杂的非线性动力学特性,基于混沌理论,采用最大Lyapunov指数对局域网络流量序列进行预测分析,能够实现较早地预测出网络流量的突变特性.首先,采用相空间重构理论,并结合C-C算法将实际测试的流量时间序列投影到重构的相空间中.然后,计算其最大Lyapunov指数并对最大可预测时间进行了分析,同时对预测算法进行了研究.最后,对实际测试的局域网流量序列分别采用点预测和区间预测方法进行了分析.仿真结果显示,采用点预测方法对流量突变可以进行有效预测,突变越剧烈预测越准确;而采用区间预测可以有效预测流量的变化趋势,但不适用于广域网环境.进一步表明此方法能有效地利用所有数据信息进行预测,预测效果准确、可靠,可广泛的用于网络拥塞和网络攻击中.     

神经网络在个人信用组合预测中的应用

该文运用组合预测的思想,提出了通过感知器、BP、Elman和LVQ等不同的具有代表性的神经网络模型,将多元线性回归和logistic回归两单一方法进行组合,并分别应用于某商业银行的个人信用评估,其结果表明:感知器、BP、Elman和LVQ神经网络组合预测方法精确度不尽相同,但总体上能够获得比多元线性回归和logistic回归更高的预测精度,尤其在避免纳伪错误方面更具优势。     

电力市场中基于混沌理论的电价预测研究

随着电力市场化的不断深入,边际电价预测的重要性将愈来愈凸显,己成为广大发电企业普遍关注的焦点.如何开展边际电价预测以及如何提高边际电价预测的准确性成为迫切需要解决的问题.结合混沌理论,演绎出新的电价预测方法.     

改进灰色模型在中长期电力负荷预测中的应用

针对中长期电力系统负荷预测,在前人已有成果的基础之上,对普通灰色模型进行了改进.一方面对历史数据进行二次平滑处理,大大消除了干扰因素;另一方面利用带有马尔可夫链符号估计的残差修正技术对未来残差的符号进行预测以修正灰色模型的预测结果.以某地区多年以来的历史数据为基础,建立了数学模型,通过实际数据计算表明:改进后的灰色负荷预测方法可以应用于电力系统中长期负荷预测,而且较普通灰色预测模型在预测精度上有着明显的提高,尤其是对于较远时间的负荷预测有着较为理想的预测精度,表明了该种方法的有效性和实用性.     

基于粒子群优化灰色模型的电力系统负荷预测

在分析灰色GM(1,1)模型局限性的基础上,应用粒子群优化算法的非线性全局寻优能力来求解灰色模型参数值,提出了基于粒子群优化算法的灰色模型,并给出了负荷预测的实例.预测结果表明基于粒子群优化算法的灰色模型具有较高的预测精度和较广泛的应用范围.     

应用动态泛回归神经网络的在线负荷预测

电力系统负荷变化受多方面因素的影响,因此负荷曲线呈现出强烈的非线性.为实现非线性的电力负荷在线预测,应用递推更新的样本数据集训练泛回归神经网络,构成动态泛回归神经网络.该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求.仿真表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目的.     

Application of ACO algorithm in protein structure prediction

The hydrophobic-polar (HP) lattice model is an important simplified model for studying protein folding. In this paper, we present an improved ACO algorithm for the protein structure prediction. In the algorithm, the "lone"ethod is applied to deal with the infeasible structures, and the "oint mutation and reconstruction"ethod is applied in local search phase. The empirical results show that the presented method is feasible and effective to solve the problem of protein structure prediction, and notable improvements in CPU time are obtained.     

Effective prediction of DEA model by neural network

In this paper,a fast neural network model for the forecasting of effective points by DEA model is proposed,which is based on the SPDS training algorithm.The SPDS training algorithm overcomes the drawbacks of slow convergent speed and partially minimum result for BP algorithm.Its training speed is much faster and its forecasting precision is much better than those of BP algorithm.By numeric examples,it is showed that adopting the neural network model in the forecasting of effective points by DEA model is valid.