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.     

基于免疫网络和SOM的文本聚类算法研究

文本聚类的核心问题是找到一种优化的聚类算法对文本向量进行聚类,是典型的高维数据聚类,提出一种基于自组织神经网络SOM和人工免疫网络aiNet的两阶段文本聚类算法TCBSA。新算法先用SOM神经网络进行聚类,把高维的文本数据映射到二维的平面上,然后再用aiNet对文本聚类。该方法利用SOM神经网络对高维数据降维的优点,克服了人工免疫网络对高维数据的聚类能力差的缺点。仿真实验结果表明该文本聚类算法不仅是可行的,而且具有一定的自适应能力和较好的聚类效果。     

多源信息融合的测井曲线分层算法研究

测井数据解释中,针对单一测井曲线无法真实反映地层属性问题,提出以多条测井曲线的滤波因子为权值,融合出一条综合特征曲线,对该特征曲线相继采用层内差异法细分层与模糊聚类校正分层,实现特征曲线的合理分层。实验结果表明:该方法避免了海量数据处理过程,剔除了噪点数据的影响,提高了分层的速度与精度,能够为应用测井资料进行岩性识别、测井相分析、储层划分等研究提供有利的技术支撑。     

模糊神经网络的结构自组织算法及应用

提出了一种新的模糊神经网络自组织算法,该算法能够基于输入输出数据自动进行结构辨识和参数辨识.首先采用一种自组织聚类方法建立起网络的结构和各参数的初值,然后采用监督学习来优化网络参数.通过对非线性函数逼近的分析,明了该自组织算法的有效性,并与其他算法作了比较.最后,以某污水处理厂的实际运行数据为对象,应用该模糊神经网络建立了活性污泥系统出水水质预测模型,仿真结果表明.该模型能够对污水处理系统出水水质进行较好的预测.     

Web文本聚类算法WTCA的研究与实现

提出了一种新的Web文本聚类算法WTCA——基于自组织特征映射神经网络(SOM)的聚类算法。该算法分为训练SOM网络及聚类分析两个阶段,具有自稳定性,无须外界给出评价函数;能够识别概念空间中最有意义的特征,抗噪音能力强。该算法应用到现代远程教育网,可以对各类远程教育站点上收集的文本资料信息自动进行聚类分析;从海量Web文本信息源中快速有效地获取重要的知识。     

利用自组织特征映射神经网络进行可视化聚类

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛的应用。它将高维输人空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。该文说明了自组织特征映射神经网络的工作原理和具体实现算法,同时利用一个算例展示了利用自组织特征映射进行聚类时的可视化特性,包括聚类过程的可视化和聚类结果的可视化,这也是自组织特征映射得到广泛应用的原因之一。     

基于砂体统计参数应用BP神经网络方法识别岩性

随着测井技术的不断进步,测井数据成为获得地层岩性信息的重要依据。岩性识别是测井数据解释中最关键的环节。传统的识别方法效率低、准确性不高、人为影响大、不利于在实际工程的应用。为降低测井曲线岩性分类过程中人工砂体解释工作的繁琐性与主观性影响,在统计参数的基础上,提出一种应用BP神经网络的测井曲线自动解释方法。以工区内已解释岩性的测井数据作为训练数据,选择测井数据中的电阻率、孔隙度、渗透率、泥质含量、深侧向以及浅侧向作为神经网络的输入数据,利用BP神经网络模型对岩性进行识别,输出数据是对应岩性的解释结果。实验数据测试证明,该方法能够自动、快速地实现测井曲线砂体解释,有助于地质工作者进行可靠、有效的岩性识别工作。     

应用自组织神经网络进行自动地层划分的设计与实现

本文针对多井对比中的地层划分问题,提出了利用自组织神经网络进行地层划分的解决办法.该方法利用未分层井段的测井信号,结合自组织神经网络的自适应算法对测井信号进行反复学习,最终得到样本空间的分类结果.该方法不仅可以针对每一口井的测井信号进行处理,而且可以将某一口井的学习结果进行保留,用于其它井测井信号进行分类的分类器.     

基于深度聚类的航空交通流识别与异常检测研究

针对传统的聚类算法无法捕获高维轨迹数据在低维空间中的隐含关系，且难以定义适当的相似性度量以同时考虑轨迹的局部和全局特征的问题，提出了一种基于深度神经网络的多变量轨迹深度聚类框架(MTDC)并将其用于航空交通流识别与异常检测。该框架主要包含一个非对称的自编码器和一个自定义的轨迹聚类层。自编码器由一维卷积神经网络和双向长短时记忆网络堆叠而成，用于学习原始输入在低维隐空间中的特征表示。轨迹聚类层则通过计算隐空间中样本的Q分布实现聚类。结合自编码器的重建损失和轨迹聚类Q分布定义了一个新的异常分数，用于检测异常轨迹。使用基于广播式自动相关监视(ADS-B)的真实轨迹数据进行实验，结果表明，所提框架能有效地进行航空交通流识别，并能检测出具有实际意义且可解释的异常轨迹。     

多神经网络在高维数据分类中的应用研究

针对BP神经网络在高维数据分类中存在训练时间长的缺点,提出一种新的多神经网络分类模型,该模型采用自组织特征映射(SOFM)网络对训练样本集进行无监督聚类,通过优化竞争层神经元权值,并以此训练BP神经网络实现数据分类.最后对自由手写数字样本进行识别,仿真实验表明,这一模型具有较强的分类能力和泛化能力.     

几种不同的方法在GPS 大数据 探查中的应用分析

GPS 定位系统对车辆的运行调控以及拥堵性分析具有重要意义。但定时采样的GPS 数据难免存在坏点的情 况,而坏点的存在对分析结果容易产生较大错误,从而影响交通管理决策。本文通过高斯混合模型、K-均值聚类分析以及 SOM 自组织神经网络三种方法完成对原始数据时间段划分、字段提取以及坏值清理的操作。这三种方法主要用于对数据进 行聚类分析,根据分析结果识别孤立点从而进行清理。结果显示,高斯聚类与K-均值聚类算法的坏点识别精度小于SOM 自 组织神经网络,但前两种算法的运行效率较后者高。     

基于自组织神经网络和模糊聚类的校园无线网用户日常行为分析

针对如何分析校园无线网络数据,挖掘数据中蕴藏的学生行为,更好地辅助教学管理,本文提出了在Hadoop平台构建基于自组织神经网络(SOFM)的模糊C-均值(FCM)聚类算法。该算法采用自组织神经网络与模糊C-均值聚类算法相结合,避免了模糊C-均值聚类算法初始化不当带来的误差,目标函数中采用马氏距离,自适应的调整了数据的几何分布。考虑到无线用户数据规模庞大,采用了Hadoop平台并行运行聚类算法。实验结果表明,本文提出的算法提高了聚类结果的准确性,有效地降低了时间复杂度,分析平台为学校管理层快速有效的做出决策提供了依据,研究分析方法对其它高校有较大地参考价值。     

基于自组织神经网络的QRS波聚类方法

为提高查看大量数据动态心电(ECG)图时的效率,将波形聚类,采用埃尔米特函数和自组织神经网络,实现了室性早搏占比高情况下的心电波形聚类算法.使用MIT-BIH心率失常数据库,利用埃尔米特函数分解QRS波形为QRS向量,将所有QRS向量输入自组织神经网络进行分类.使用特征向量元素分析聚类结果,用阳性率指标对结果进行统计,平均真阳性率为91.2％,假阳性率为1.03％,验证了基于自组织神经网络的心电聚类算法的有效性.达到了将正常心搏和室性早搏心搏聚类的目标.     

基于神经网络的聚类方法研究

针对常用聚类方法不能有效处理噪声数据的问题,本文结合神经网络具有自适应性的特点,提出基于神经网络的聚类(NN_Cluster)模型,并设计了基于自适应共振理论的神经网络聚类模型(ARTNN_Cluster)和基于自组织特征映射的神经网络聚类模型(SOMNN_Cluster)。标准数据集上的实验结果表明,与传统的K_means聚类方法相比,本文提出的基于神经网络的聚类模型有效地克服了传统方法的噪声问题,得到了较好的聚类效果。     

支持向量机及其在复杂水淹层识别中的应用

研究了基于结构风险最小化原理的支持向量机方法对模式类的识别能力，构造了可用于多个模式类识别的级连式SVM模型。该模型易于实现，且能够找到模式间的最优分类超平面，泛化能力较高。支持向量机用于模式识别不存在局部极小值问题，且不需网络迭代训练，求解速度明显高于神经网络。该模型采用两种核函数，将SVM用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系，从而实现模糊性油藏测井解释中水淹层的识别。实验结果表明，此方法对解决水淹层识别问题具有良好的适应性和实用性。     

基于SOM-RBF算法的瓦斯涌出量动态预测模型研究

针对煤矿瓦斯涌出量的多影响因素预测问题,以多传感器的瓦斯监测系统采集处理后的数据作为样本,提出了一种自组织特征映射神经网络（Self-organizing Feature Maps,SOM）与多变量的径向基函数(Radial Basis Function,RBF)结合的组合人工神经网络的模型动态预测新方法。采用先聚类、再分类建模和预测的方法,解决了由于训练样本有限和训练样本点分散所导致的预测精度降低的问题,并通过矿井监测到的各项历史数据进行试验。结果表明,与其他预测模型相比较,该模型的预测精度更高,泛化能力更强。预测平均相对误差为2.16%,均相对变动值ARV为0.0059,均方根误差RMSE为0.1311,有效地实现了对煤矿绝对瓦斯涌出量的动态预测,有较高的实用价值。     

基于双Kohonen神经网络的Web用户访问模式挖掘算法

本文根据Kohonen自组织特征映射神经网络中学习阶段的性质,运用双Kohonen神经网络组合成新的自组织训练挖掘模型,先使用粗调整训练,加快模型学习速度,紧接着使用微调整训练,提高模型学习精度。实验结果表明,本文提出的双Kohonen神经网络挖掘模型,相对于标准Kohonen神经网络在训练速度和收敛效果上都有一定程度的提高,改善了聚类效果,为挖掘用户的多种兴趣提供了一种可行的方法。     

基于FCM的神经网络建模及其在智能驾驶中应用研究

首先对模糊c-均值聚类算法进行了分析,然后把改进的FCM算法和RBF神经网络结 合起来建模,得到一种映射能力较强的自组织RBF神经网络.最后把它应用到智能驾驶中对驾 驶员的熟练程度和疲劳程度进行识别,得到了满意的结果.     

基于PCA 的LS-SVM 预测模型应用

油气储层的识别和预测是当今热门的研究课题。本文以实地测井数据为基础,提出基于PCA的LS-SVM预测模型对储层油气进行分类预测,并与人工神经网络预测模型对比。结果表明,该模型的性能优于其它模型,具有一定的应用价值。