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。     

基于过程神经网络和遗传算法的系统逆向过程求解

针对系统过程的逆向优化求解问题,提出了一种基于过程神经网络和遗传算法相结合的方法。首先根据实际问题的领域知识和学习样本集,确定能够满足系统实际输入输出关系的正向过程神经网络。然后按照系统在过程区间的某一期望输出,逆向确定系统的过程输入信号,即按照给定的期望输出,反求过程神经网络的输入函数,使该输入函数满足已确定的正向映射关系,从而完成系统的优化过程控制。文中给出了具体的实现算法,应用实例证明了该方法的有效性。     

一种彩色图像的量子描述方法及应用

为了提高量子彩色图像的存储效率,提出一种新的量子彩色图像描述方法.在该方法中,像素的位置信息采用多比特量子系统的基态描述,像素的三基色灰度值信息只采用一个量子比特描述,具体描述为该量子比特的相位.利用这种描述方法,给出量子彩色图像的几种简单操作方法,包括像素三基色灰度值的改变、互换,图像位置翻转、置换,设计一种新的量子图像水印的实现方法.所提出的方法可在将来的量子计算机上执行.经典计算机上的仿真结果验证了该方法的有效性.     

一种基于相位编码的量子遗传算法

基于量子位测量的二进制量子遗传算法在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率.针对这一问题,本文提出了一种基于量子位相位编码的量子遗传算法.该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异.在该方法中,由于优化过程统一在空间[0,2π]<'n>进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性.以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法.     

量子索引图像的描述方法与隐写算法

为解决量子计算机上索引图像的描述问题,提出一种量子索引图像描述方法.该方法中量子索引图像包含量子数据矩阵和量子调色板矩阵2种数据结构,每种数据结构均基于量子比特序列的基态进行信息表示;在此基础上,提出一种基于EzStego的量子索引图像信息隐写算法,首先计算量子调色板矩阵中每个颜色的相对亮度值,然后根据相对亮度值对颜色排序并分配亮度序号,最后根据每个颜色的亮度序号及其位置索引,结合嵌入的秘密信息对量子数据矩阵中的像素索引值进行更新,得到嵌入秘密信息后的量子数据矩阵.利用Matlab在经典计算机上采用USC-SIPI图像数据库数据进行仿真实验,从视觉质量、嵌入容量和鲁棒性三方面验证了该方法的可行性和有效性.实验结果表明,文中方法可在将来的量子计算机上执行.     

量子衍生涡流搜索算法

涡流搜索是最近提出的新型优化算法, 具有操作简单且搜索能力强的突出优点, 但在后期容易陷入早熟收敛. 对比, 通过在该算法中引入量子计算, 提出一种量子衍生涡流搜索算法. 首先将涡流中心用量子比特编码; 然后将其在Bloch 球面上实施多次旋转得到多个个体, 将最优个体作为新的涡流中心, 完成一次迭代. 对新的涡流中心再次实施旋转, 直至满足终止条件. 标准函数极值优化的实验结果表明, 所提出的方法明显优于普通涡流搜索算法.

     

基于QPSO和极限学习的离散过程神经网络及学习算法

连续过程神经元网络在权函数正交基展开时, 基函数个数无法有效确定, 因此逼近精度不高. 针对该问题, 提出一种离散过程神经元网络, 使用三次样条数值积分处理离散样本和权值的时域聚合运算. 模型训练采用双链量子粒子群完成输入权值的全局寻优, 通过量子旋转门和非门完成种群进化. 局部使用极限学习, 通过Moore-Penrose广义逆计算输出权值. 以时间序列预测为例进行仿真实验, 结果验证了模型的有效性, 且训练收敛能力和逼近能力都有一定程度的提高.     

量子搜索及量子智能优化研究进展

为了提高智能优化算法的收敛速度及优化性能,目前国内外将量子计算机制和传统智能优化相融合,研究和提出了多种量子进化算法及量子群智能优化算法;为了进一步推动该领域的研究进展,系统地介绍了国内外提出的多种量子搜索及量子智能优化算法,其中包括量子搜索、量子衍生进化、量子神经网络三个方面内容;总结出目前改进量子搜索算法的主要机制和量子计算与传统智能计算的主要融合方式,并展望了量子搜索和量子智能优化有待进一步研究和需要解决的问题。     

相位编码量子蚁群算法及在连续优化中的应用*

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题,提出一种适合连续优化的量子蚁群算法。该方法直接采用量子位的相位对蚂蚁编码。首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新描述蚂蚁位置的量子比特,完成蚂蚁移动,并采用Pauli-Z门实现蚂蚁的变异增加位置的多样性;最后根据移动后的新位置完成蚁群信息素强度和可见度的更新。由于优化过程统一在空间［0,2π］n进行,而与具体问题无关,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化和控制器参数优化为例,     

聚驱跟踪调整措施的优化设计

针对聚合物驱过程中不同阶段出现的油层非均质性严重、注入压力低、存在高渗透层或高吸水层、层间渗透率级差大、注采困难、生产井流压较高等问题进行了跟踪措施调整,在总结已有现场试验和做法的基础上,通过数值模拟与矿场试验相结合,对注聚合物工业化区块的开发及调整措施效果进行了综合评价分析,建立了聚合物驱过程中综合调整措施优化方法,完成了聚合物驱降本增效技术的筛选．