砂泥岩互层裂缝发育的地层厚度效应

为了研究砂泥岩互层型地层的厚度效应对裂缝发育的影响,塔里木盆地库车坳陷克深气田辫状河三角洲前缘砂泥岩互层型储集层为例,分析了裂缝发育机制,应用数值模拟方法计算了不同厚度砂泥岩互层型地层裂缝的密度、开度和孔隙度,提出了6种砂泥岩组合的裂缝发育模式.数值模拟结果显示,砂岩、泥岩单层厚度越薄,越容易产生裂缝,砂泥岩互层型地层裂缝发育还受到岩层厚度的影响.在相同应力条件下,中、厚层(1.5～10.0m)砂岩可以产生开度大和延伸长的裂缝,裂缝能够延伸至或刺穿泥岩层;薄层(小于1.5 m)砂岩裂缝规模小,对泥岩影响较弱.泥岩厚度相同时,与其组合的砂岩厚度越大,泥岩越容易产生裂缝.当泥岩厚度小于1.0 m时,泥岩受力后自身就容易破裂而产生裂缝.在构造变形相似的区域,辫状河三角洲前缘水下分流河道裂缝孔隙度高,连通性好,可以形成良好的储集层;其次为河口坝;远砂坝和席状砂以及水下分流河道间砂体裂缝孔隙度较低,且裂缝连通性差,难以成为有利储集层.泥岩厚度大干1.0m且与泥岩组合的砂岩厚度小于5.5m时,可以成为隔夹层,对油气起到封隔作用.     

并行化的情感分类算法的研究

在海量数据集上执行情感分类任务时,传统的单机情感分类算法的扩展性成为系统的瓶颈.在云计算平台Hadoop上,实现了情感分类任务中特征提取、特征向量加权和情感分类等算法的MapReduce化.在情感语料数据集上,对各种子步骤组合下情感分类算法的精度及每种算法的时间开销进行了对比分析.实验结果验证了实现的并行化情感分类算法的有效性,同时它为用户选择合适算法实现情感分类任务提供了有价值的参考信息.     

联系发现：一种新的数据挖掘方法综述

联系发现是数据挖掘中较新的研究领域。联系发现是一种对海量数据进行挖掘，找出其中潜在模式，抽取有用知识并发现隐藏联系的技术。本文首先综述了联系发现的概念、范围、特点和难点等，详细介绍了联系发现的几种主要方法：无监督的联系发现方法（新颖联系发现）、使用归纳逻辑程序技术挖掘关联数据的联系发现方法、多假设反演推理的联系发现方法、基于相关分析的联系发现方法以及KOJAK组队探测器，讨论了联系发现系统性能评估的方法与联系发现的置信区间度量方法，并简要描述了联系发现的一个具体应用的实例一——证据抽取和联系发现研究计划（EELD），最后探讨了目前联系发现研究中出现的问题及未来发展趋势。     

半监督文本分类综述

文本分类是人们日常工作中经常遇到的问题,也是机器学习的重要研究内容.半监督学习算法同时考虑有标记和无标记数据,能显著提升学习效果.给出了文本分类的定义和特点,介绍了传统的监督学习分类算法和评价指标,对半监督文本分类的特点和基础理论进行了分析,并具体介绍了一些半监督文本分类算法,如贝叶斯方法和正则化方法.     

可变精度粗糙集β值的增量计算

目前对于可变精度粗糙集中变精度参数β计算的研究,主要集中在非增量方面.当处理大量数据时,需要能够动态计算的方法,本文提出了一种增量计算β值的方法ICObeta.该方法以分类质量作为确定性度量的标准,以最大确定性度量为目标,来选取合适的β值.ICObeta相比于非增量的方法,具有动态增量和计算开销显著降低的优点,并通过实验证实了增量计算的优点.     

不完备信息系统中扩充关系的研究

为了能够有效地分析处理不完备的信息系统，必须对现有的Rough集模型进行扩充。分析研究了现有的几种比较有影响的基于Rough集的扩展关系，提出了一种处理不完备信息系统的约束非对称关系，并对这些扩充关系进行了分析比较。还提出了基于这种关系的上近似和下近似概念，以及正区域、近似精度、近似质量和依赖关系等相关概念。     

面向服务的云数据挖掘引擎的研究

数据挖掘算法处理海量数据时,扩展性受到制约。在商业和科学研究的各个领域,知识发现的过程和需求差异较大,需要有效的机制来设计和运行各种类型的分布式数据挖掘应用。提出了一种面向服务的云数据挖掘引擎的框架CloudDM。不同于基于网格的分布式数据挖掘框架,CloudDM利用开源云计算平台Hadoop处理海量数据的能力,以面向服务的形式支持分布式数据挖掘应用的设计和运行,并描述面向服务的云数据挖掘引擎系统的关键部件和实现技术。依据面向服务的软件体系结构和基于云平台的数据挖掘引擎,可以有效解决海量数据挖掘中的海量数据存储、数据处理和数据挖掘算法互操作性等问题。     

基于Rough集的合作多Agent信念修正

1引言 信念修正是当今人工智能领域中的研究热点之一,研究在接收到新知识时信念集合如何改变的问题.我们用一个例子来说明信念修正的意义.     

时态信息系统转换方法的改进

利用Rough Set方法分析时间序列，已经取得了成果。时态信息系统(TIS)是时间序列的形式化表示。将时态信息系统转化为传统的信息系统(IS)，是将Rough Set方法应用于时间序列挖掘的基础。目前，已有的将TLS转换为IS的方法，依赖于固定的时间间隔，具有一定的局限性。本文在已有算法的基础上，提出了两种改进方法，并结合Rough Set理论，使之适用于一般的时间序列的挖掘。     

一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classification approach based on evolutionary neural networks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在