基于支持向量回归的原油高压物性参数预测

地层原油的高压物性参数,如原油的泡点压力、地层体积系数、溶解气油比、油藏温度、原油比重和天然气比重等,在油气藏的储量计算以及确定油藏的特性等工作中起到了关键作用。由于传统经验公式仅适用于特定性质的油藏。因此,经验公式并不适合于计算所有类型原油的高压物性参数。近年,研究者将神经网络引入到原油的高压物性参数的计算中,但是,神经网络存在模型结构复杂、参数选择困难、易出现过拟合且精确度低等问题。而支持向量机能够较好地解决神经网络出现的问题,因此,该文将支持向量回归(SupportVectorRegression,SVR)算法引入到了地层原油高压物性参数的预测中,并且与神经网络的预测结果进行对比分析。实验结果表明,支持向量回归模型具有较好的预测结果以及实际应用价值。     

基于涌现自组织映射的聚类分析与可视化处理

K0honen自组织特征映射可实现高维模式空间到低维拓扑结构的映射,借此可进行模式聚类分析及高维数据的二维可视化.但当输入样本数目较多、复杂度较大时,采用KSOM将使相邻类簇间发生大面积重叠,降低聚类效果.本文通过利用涌现自组织特征映射神经网络对数据进行聚类分析.并通过无边界u矩阵实现可视化功能.测试结果表明.借助ESOM模型进行数据的聚类分析与可视化在诸多方面表现出优越的性能.     

极限学习机在岩性识别中的应用

基于传统支持向量机(SVM)训练速度慢、参数选择难等问题,提出了基于极限学习机(ELM)的岩性识别.该算法是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度.在确定了最优参数的基础上,建立了ELM的岩性分类模型,并且将ELM的分类结果与SVM进行对比.实验结果表明,ELM以较少的神经元个数获得与SVM相当的分类正确率,并且ELM参数选择比SVM简便,有效降低了训练速度,表明了ELM应用于岩性识别的可行性和算法的有效性.     

结合粗糙集与支持向量回归进行油藏物性参数预测

为了更准确的预测油藏物性3个重要参数:孔隙度,渗透率、饱和度,提出了结合粗糙集属性约简和支持向量机回归的方法.首先用粗糙集理论对测井数据样本属性进行约简,从而选出决策属性,构成新的样本数据.然后用支持向量回归理论对数据样本进行训练,建立支持向量回归模型,并且对测试样本进行预测.实验结果表明,该方法获得了较好的拟舍结果,并且减少了支持向量机在训练中的计算复杂度,提高了物性参数预测的准确率.执行该方法可为油藏开发提供决策依据.     

基于改进粒子群优化的WSN均衡能量消耗路由算法

针对无线传感器网络能量约束的特点,在分析多种聚类组合算法性能的基础上,提出一种基于节点拓扑和能量两类信息,采用改进的SOM+PSO组合聚类算法对WSN节点自组织成簇的方法。为了均衡能量消耗,避免远离基站的簇过早死亡,提出选择最优中继节点的代价函数,进行簇头-簇头-基站的通信。仿真结果表明,与已有的基于Leach-C和Leach的算法相比,该方法在延长网络生命周期和减少能量消耗方面有较好的性能。     

二进制粒子群算法在人脸识别中的应用

把二进制粒子群优化算法(BPSO)应用到人脸识别中.对人脸图像进行二维离散余弦变换(DCT),获得人脸图像的特征向量,应用BPSO算法对得到的特征向量进行特征选择,得到最具代表性的人脸特征.与遗传算法(GA)相比,在选择的特征较少的情况下,BPSO算法比遗传算法有更好的识别率.实验结果表明,BPSO算法应用到人脸识别中有较高的识别率,是一种非常有效的特征提取方法.     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点，从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法，阐明了用遗传算法进行神经网络性能优化的原因，并得出结论，认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法，论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于PCA与支持向量回归的储层渗透率预测

在测井技术与储层基本特征研究的基础上,对与渗透率相关的测井参数和岩心参数进行了分析,根据传统的储层渗透率预测方法,提出了一种基于主成分分析与支持向量回归的储层渗透率预测方法。应用主成分分析对测井参数和岩心参数进行数据降维,优选出与渗透率最相关的参数,将优选出的测井参数和岩心参数作为支持向量回归模型的输入参数进行渗透率预测。实验结果表明,利用主成分分析算法提取的特征参数与渗透率有较好的相关性,且支持向量回归具有较高的预测精度,显示出主成分分析和支持向量回归在储层渗透率预测中的优势与实际应用价值。     

MCMC方法在多孔介质流体预测中的应用

孔隙度和渗透率作为油气储层的重要参数,对石油产量的预测有至关重要的作用。在多孔介质流体流动过程中,孔隙度和渗透率的概率密度分布函数结构复杂,难以用经典分布予以描述,该文介绍了应用马尔可夫链蒙特卡罗方法(Markov chain Monte Carlo method)对孔隙度和渗透率进行贝叶斯估计,然后在其后验概率分布中采样,得到部分已知流量数据并计算流量的似然分布,最终得到生产曲线并用该方法成功预测了生产曲线的走势。同时在文章的最后,基于现存方法中存在的问题,提出了相关的改进方向。     

配电网无功集中补偿最佳配置

最佳地分散补偿配置原则是以年补偿纯收益（指年节电费用减去设置补偿装置所需费用）最大为最佳方案的目标函数，但此目标函数确定的最佳方案并一定能使配电网出口功率因数提高到给定水平，本文是对提高配网功率因数达到给定水平为前提来提来分配无功补偿容量，使配电网总损耗为最小，显然采用本文方法确定补偿容量及其配量方案并不能达到年补偿纯收益为最大的目标。