应用BP神经网络预测油页岩含油率

根据测井资料计算油页岩含油率多采用△logR法或改进的△logR法,这些方法中参数获取过程中易产生诸多误差,且这些方法是建立在油页岩含油率与特征测井曲线值是线性关系的基础上的,而在实际非均质性地层中,测井对油页岩含油率参数的响应在本质上必然是非线性的。基于此,运用BP神经网络来预测柴达木盆地北部地区侏罗纪油页岩含油率。首先分析研究区段测井数据的数理统计分布特征,在优选学习样本的基础上再采用一种基于LM（ Levenberg-Marquardt）算法的BP神经网络进行含油率预测,最后得出一组由40个连接权值与11个阈值组成的含油率参数解释模型,油页岩含油率预测值与岩心实验室分析值吻合很好,均方误差能控制在0.1918。因此,运用此模型可以预测相同地质背景条件下的油页岩含油率。     

基于BP神经网络的专利自动分类方法

提出了一种基于后向传播神经网络的专利自动分类方法.通过中文分词从专利文件集中提取特征项,并根据特征项在专利文件中出现的频率赋予其权重,从而将每篇专利文件表示为一个特征项向量.为取得较好的BP神经网络(BPN)训练效果,使用X2统计方法进行特征向量降维,并使用BPN专利分类器进行专利文件分类.用国际分类号为H02下的专利文件作为测试数据,取得了较好的分类效果.     

基于神经网络的岩性物性参数计算方法研究

岩性物性参数的计算会关系到后续油气田开发生产,因而备受录井解释、地质分析等部门的高度重视。为了解决传统数理计算方法计算岩性物性参数需要依赖人工经验,计算量大,造成人力成本和时间成本较高且计算准确率不高的问题,提出一种基于神经网络的岩性物性参数计算方法。通过对研究的储层地质特征进行分析,选取孔隙度和渗透率作为反映岩性的物性参数;阐明应用测井曲线反映岩性物性参数的合理性,选取合适的测井曲线,应用不同的测井曲线特征提取方法提取测井曲线特征,作为神经网络的输入参数;设计岩性物性参数计算的技术路线,构建BP神经网络模型,选取样本数据集对神经网络模型完成模型训练,最终实现对选区岩性物性参数的计算,为储层岩性识别提供依据。实验结果表明,基于BP神经网络的岩性物性参数计算方法能够较为准确地计算岩性物性参数。     

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.     

基于自适应神经网络的岩性识别动态建模

针对研究对象定量研究复杂度高的地质工作，应用计算机进行定量化和信息化的研究，需要建立一定的数学模型，然而，传统的数学方法难以得到精确的数学模型，神经网络作为一非线性建模方法，具有良好的自组织和自适应性等功能，可以逼近任意的非线性函数（映射）。本文提出利用神经网络的自组织，自学习，自适应功能实现数学模型的实时建立的方法，并在反传神经算法前馈神经网络（BP）模型引入了自适应动量因子α，使得网络计算量小，收敛速度快，最后将该模型应用到某地岩性识别动态建模中，取得了较好的效果。     

基于BiLSTM-XGBoost混合模型的储层岩性识别

储层岩性分类是地质研究基础, 基于数据驱动的机器学习模型虽然能较好地识别储层岩性, 但由于测井数据是特殊的序列数据, 模型很难有效提取数据的空间相关性, 造成模型对储层识别仍存在不足. 针对此问题, 本文结合双向长短期循环神经网络(bidirectional long short-term memory, BiLSTM)和极端梯度提升决策树(extreme gradient boosting decision tree, XGBoost), 提出双向记忆极端梯度提升(BiLSTM-XGBoost, BiXGB)模型预测储层岩性. 该模型在传统XGBoost基础上融入了BiLSTM, 大大增强了模型对测井数据的特征提取能力. BiXGB模型使用BiLSTM对测井数据进行特征提取, 将提取到的特征传递给XGBoost分类模型进行训练和预测. 将BiXGB模型应用于储层岩性数据集时, 模型预测的总体精度达到了91%. 为了进一步验证模型的准确性和稳定性, 将模型应用于UCI公开的Occupancy序列数据集, 结果显示模型的预测总体精度也高达93%. 相较于其他机器学习模型, BiXGB模型能准确地对序列数据进行分类, 提高了储层岩性的识别精度, 满足了油气勘探的实际需要, 为储层岩性识别提供了新的方法.     

基于BP神经网络的文本自动分类系统设计

在广泛研究现有文本自动分类方法的基础上,发现人工神经网络具有很强的自学习性、自组织性、联想记忆功能和推理意识等,在文本自动分类上有着独特的优势.为此,设计一个基于神经网络的文本自动分类系统.该系统采用模块化的设计,关键算法和功能均封装在模块中,使系统具有良好的扩展性.     

概率神经网络方法在岩性识别中的应用

本文研究利用概率神经网络方法进行测井资料的岩性识别;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其计算量小且预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,概率神经网络在岩性识别问题中有着一定的应用前景。     

神经网络测井解释计算系统及其应用

强调神经网络算法在测井解释中的优越性；重点介绍神经网络测井解释计算系统，并给出应用实例，该方法先进，系统操作方便，计算速度快，处理结果准确，有广阔的应用前景。     

基于BP神经网络的车牌自动定位方法

提出了基于BP神经网络的车牌自动定位方法。实验表明，由此建立的车牌自动定位模型适角于各类机动车辆，总定位率为99．5%，达到了业务使用的要求。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．     

BP神经网络在数据挖掘中的应用

随着信息技术的发展以及数据库管理系统的广泛应用,作为系统数据支撑的数据库,其存储的数据量急剧增大。运用数据挖掘技术,可以提取到这些海量的数据背后隐藏着的许多重要信息。但是,目前在大量非线性、多目标的复杂数据挖掘中仍存在一些问题。而神经网络在处理非线性、多目标数据方面有着较大优势。因此,本文将神经网络与数据挖掘相结合,阐述了BP神经网络在数据挖掘中应用的关键技术及实现方法。     

应用BP神经网络分类器识别交通标志

介绍了神经网络特性和BP神经网络分类器的一般原理。针对交通标志识别需要处理的信息量大以及受天气道路等外界条件的影响存在噪声干扰的情况，提出了一种应用BP神经网络分类器识别交通标志的方法。识别分为图像数字处理、BP神经网络的训练、测试与对加入噪声图像进行识别3个步骤，经实验取得了良好的识别效果。     

基于BP神经网络的交通标志识别

对神经网络理论和神经网络分类器进行了研究,提出了基于BP神经网络分类器的交通标志识别模型。通过大量实验和比较,得到了识别效率高的模型,并将这一模型应用到所研究的交通标志识别系统,从而对系统作了初步的实现。     

基于BP神经网络的人脸表情识别

在BP神经网络及算法的基础上,提出了将其用于人脸表情识别的方法,不对人脸表情图像作特征提取,直接把图像数据作为神经网络识别器的输入.利用Matlab完成了网络的训练与测试.结果表明,本方案简单、快速、正确率高、识别时间短、泛化能力较强,可满足实时处理要求.     

基于BP神经网络的数字识别研究

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

基于BP神经网络的工程图纸图形符号识别

本文提出一种应用ＢＰ神经网络识别工程图纸扫描图象分割后的图形符号的方法。此方法先对二值图象进行特征提取,并提出改进学习算法,以加快收敛速度,从科象识别。     

基于BP神经网络的图像形状识别

图像形状特征的提取和描述方法是基于形状的图像检索的重要研究内容，本文根据形状特征的描述方法，对提取的形状特征参数抽取一组特征值，形成特征向量，并进行归一化，然后利用BP神经网络进行形状识别，取得了较好的实验效果，对基于形状的图像检索具有一定的指导意义。     

基于BP神经网络与粗糙集理论的分类挖掘方法

分类是数据挖掘中重要的课题,为协调决策分类,提出了一种基于粗糙集理论和BP神经网络的数据挖掘的方法。在此方法中首先用粗糙集约简决策表中的冗余属性,然后用BP神经网络进行噪声过滤,最后由粗糙集从约简的决策表中产生规则集。此方法不仅避免了从训练神经网络中提取规则的复杂性,而且有效的提高了分类的精确度。