排序方式: 共有2条查询结果,搜索用时 46 毫秒
1
1.
2.
利用测井资料识别岩性的关键是建立非线性数学模型。针对测井曲线数量多和BP算法的局限,提出一种基于主成分分析(Principal Component Analysis,PCA)和学习矢量量化神经网络(Learning Vector Quantization,LVQ)的岩性识别方法。建立可靠的岩性与测井参数响应的对应关系,优选样本点和测井曲线组成样本集。通过主成分分析实现对测井数据的压缩、降维,依据分析结果建立基于LVQ神经网络的岩性识别模型。潘庄地区某井实际应用表明,经过PCA降维后,LVQ神经网络的收敛速度和识别率都得到了明显提高,训练时间缩短了10s左右,识别率提高20%以上;考虑"次获胜"神经元的LVQ2学习算法具有比LVQ1算法更强的模式识别能力,识别率提高4%;PCA-LVQ模型网络结构简单,容易实现,识别率可达90%,具有较好的应用前景。 相似文献
1