石油勘探信息管理中储层属性优化方法

运用软计算融合算法识别储层含油性的关键属性,建立了预测这些关键属性的软计算融合模型.具体步骤为:首先采用遗传算法(GA)和模糊C均值嵌套算法(GA-FCM)对含油性的测井属性进行约简,得到能够描述含油性的关键属性;然后再把GA和BP神经网络(GA-BP)进行融合构建预测关键属性的软计算融合模型,即通过GA优化BP的结构(包括网络输入属性的组合和最佳隐含层神经元个数的确定),并且用测试样本的误差作为评判该预测模型的优劣;最后对某油田的oilsk81,oilsk83,oilsk85 3口井进行了实证研究.     

一种基于差分演化算法的规则提取及其在石油储层识别中的应用

提出了一种基于差分演化算法的规则提取方法(DE-Rule)。规则的表达形式为IF-THEN模式,规则前件中的连接词为AND,规则后件为识别对象的类别。通过编码将规则表示为差分演化算法中的种群个体,然后通过差分变异和二项式交叉对种群进行演化,对最优个体进行解码即可得到对应的最优规则集。最后,用DE-Rule、RS-Rule、ANN-GA-Cascades-Rule等3种规则提取方法对江汉油田某区块进行石油储层识别(干层、水层、差油层和油层),其中,oilsk81油井数据作为训练数据,oilsk83油井数据作为测试数据,结果表明,在综合考虑规则集的识别准确率和解释性上,DE-Rule方法都优于其他两种方法。     

有导师学习的k-means方法在多支持向量机中的线性划分及其在石油储层识别中的应用北大核心CSSCI

提出了一种带有指导信息的k-means方法多支持向量机(SkSVM)。带有指导信息的k-means方法多支持向量机中k-means的目标是对训练数据进行划分,附加指导信息是保证k-means在对训练数据进行划分过程中确保数据的划分子集同时来自不同的2个类,即划分的子集中有正标签(+1)和负标签(-1)的数据,并且子集的中心尽量靠近不同类别的分离边界,保证提供的数据子集能够高效地为支持向量机进行学习。对每一个划分的子集采用支持向量机进行学习。选取UCI标准测试集对SkSVM和已有的FaLKSVM、SVM-KNN和CSVM算法进行对比测试。最后,用SkSVM、k-means和SVM等3种分类方法对江汉油田某区块oilsk81、oilsk83和oilsk85三口油井进行石油储层识别(油层和非油层),其中,各油井数据2/3作为训练数据,1/3作为测试数据,结果表明,在识别准确率上,SkSVM方法都优于其他两种方法。     

有导师学习的k-means方法在多支持向量机中的线性划分及其在石油储层识别中的应用

提出了一种带有指导信息的k-means方法多支持向量机(SkSVM)。带有指导信息的k-means方法多支持向量机中k-means的目标是对训练数据进行划分,附加指导信息是保证k-means在对训练数据进行划分过程中确保数据的划分子集同时来自不同的2个类,即划分的子集中有正标签(+1)和负标签(-1)的数据,并且子集的中心尽量靠近不同类别的分离边界,保证提供的数据子集能够高效地为支持向量机进行学习。对每一个划分的子集采用支持向量机进行学习。选取UCI标准测试集对SkSVM和已有的FaLKSVM、SVM-KNN和CSVM算法进行对比测试。最后,用SkSVM、k-means和SVM等3种分类方法对江汉油田某区块oilsk81、oilsk83和oilsk85三口油井进行石油储层识别(油层和非油层),其中,各油井数据2/3作为训练数据,1/3作为测试数据,结果表明,在识别准确率上,SkSVM方法都优于其他两种方法。     

基于SCFNN的网络控制系统远程控制器设计

提出将自组织模糊神经网络(SCFNN)应用于网络控制系统(NCS)中的远程控制器的设计。SCFNN的学习过程包托结构学习和参教学习两个阶段。结构学习的目的是对输入空间进行合理的模糊划分并动态地生成一组模糊逻辑控制规则，而参数学习是通过有监督梯度下降法来调整隶属度函数的参数以及模糊规则中结论部分的权值。最初的SCFNN只有输入节点和输出节点，而经过在线学习后逐步生成隶属度函数节点和规则节点。对基于Profibus-DP网络的网络控制系统进行测试，并与采用修正Ziegler-Niehols法设计的控制器的控制效果进行比较，结果表明基于SCFNN思想设计的远程控制器在网络控制系统中能够获得满意的控制效果。     

基于改进基函数的自适应动态模糊神经网络算法研究

在D-FNN算法基础上,提出了基于椭圆基函数(EBF)的广义动态模糊神经网络.该算法提出模糊ε-完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性;同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评价,从而使得每个输入变量和模糊规则都可以根据误差减少率(ERR)来修正.其应用不仅可以用来建模,还可以用来抽取有意义的模糊规则以获取知识.通过与D-FNN以及其他方法的比较,可以看到GD-FNN在学习效率和性能方面具有突出的优势.最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性.     

基于RBF网络的模糊if-then规则快速提取

提出了一种基于径向基函数神经网络(RBF网络)的模糊规则提取的新方法。该方法快速、有效且提取的规则清晰。得到的模糊神经网络可用于非线性系统的逼近。     

基于CNN网络和多任务损失函数的实时叶片识别

针对传统叶片识别易受环境干扰,难以实现复杂背景下的多叶片实时识别问题,提出一种基于CNN网络和多任务损失函数的实时叶片识别方法。采用CNN网络提取叶片图像特征图,输入到RPN网络生成区域候选框;依据特征图和区域候选框,提取候选框特征图,分别进行叶片分类和边界框回归,预测叶片类别和叶片预测框的定位;利用多任务损失函数约束分类和回归,来提高叶片分类和回归的准确率和运算速度。实验结果表明,该方法的平均实时叶片识别准确率为91.8%,平均实时识别速度为25 fps。     

基于结构自适应模糊神经网络的前列腺癌诊断方法

前列腺癌是近年来严重危害男性健康的疾病.利用模糊神经网络方法可以实现前列腺癌诊断,并将诊断模型表示为模糊规则集合.针对模糊神经网络所提取规则解释性差的问题,提出结构自适应模糊神经网络方法,通过改进损失函数,在训练中控制相似隶属度函数的合并,实现模糊神经网络模型结构自适应调整,减少模糊规则数量,在保证诊断准确性情况下,提取出容易理解的可解释性规则.同时该方法在模型的训练过程中引入粒子群优化(PSO)算法进行结构和参数学习,有效减少计算量,提高训练效率.最后,使用临床医学科学数据中心提供的前列腺疾病检查数据进行数值实验,验证了所提出方法在前列腺癌诊断和可解释性规则提取中的有效性.     

交叉口交通信号灯的模糊控制及优化研究

针对城市单交叉口的交通信号控制问题,提出一种交通灯信号的模糊控制方法。该方法基于四相位定相序对单交叉口交通灯进行控制,模糊控制系统输入为车辆排队数和车辆到达率,输出为当前绿灯相位的绿灯延长时间。利用遗传算法(Genetic Algorithm,GA)优化模糊控制系统的模糊规则和隶属度函数,提升模糊控制系统性能。利用Sumo(Simulation of Urban Mobility)仿真软件,实现了该模糊控制方法。将Sumo自带的控制方法、模糊控制方法、以及基于GA的模糊控制方法进行仿真对比。结果表明,基于GA的模糊控制方法能有效减少车辆的平均延误时间,提高了交叉口的通行能力。     

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.     

Removable ears of 1-extendable graphs

<正> Carvalho,Lucchesi and Murty proved that any 1-extendable graph G different from K_2and C_(2n)has at least Δ(G)edge-disjoint removable ears,and any brick G distinct from K_4 and■hasat least Δ(G)-2 removable edges,where Δ(G)denotes the maximum degree of G.In this paper,weimprove the lower bounds for numbers of removable ears and removable edges of 1-extendable graphs.It is proved that any 1-extendable graph G different from K_2 and C_(2n)has at least χ′(G)edge-disjointremovable ears,and any brick G distinct from K_4 and■has at least χ′(G)-2 removable edges,whereχ′(G)denotes the edge-chromatic number of G.     

利用多层次模糊综合评判方法定量预测特高含水期油藏潜力

针对特高含水期油藏剩余油分布零散, 开发潜力难以确定的问题,在统计典型油藏的油藏描述和数值模拟结果的基础上, 运用层次分析法,对影响剩余油分布的主控因素进行层次划分和权重统计,建立特高含水期非均质油藏剩余油潜力定量预测模型,编制特高含水期非均质油藏潜力分布定量预测软件.利用该软件对坨21断块8层系的剩余油分布进行了预测,从而指导单元调整的方案编制和实施.     

BOUNDARY LAYER ESTIMATION OF NONLINEAR ELLIPTIC EQUATION

ＢＯＵＮＤＡＲＹＬＡＹＥＲＥＳＴＩＭＡＴＩＯＮＯＦＮＯＮＬＩＮＥＡＲＥＬＬＩＰＴＩＣＥＱＵＡＴＩＯＮＨＥＣｈｅｎｇ；ＺＨＡＮＧＷｅＩｔａｏ（ＩｎｓｔｉｔｕｔｅｏｆＳｙｓｔｅｍｓＳｃｉｅｎｃｅ，ＡｃａｄｅｍｉａＳｉｌｉｃａ，Ｂｅｉｊｉｎｇ１０００８０，...     

基于小波神经网络的胎号识别算法研究

针对人工神经网络的特点,对传统BP算法进行了改进。采用小波神经网络方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以轮胎胎号字符识别为例,分别用投影法和Hu不变距方法进行特征提取,并将所提取的特征用作神经网络输入层的神经元。将所设计的小波神经网络经训练后用于胎号的识别。仿真结果表明,小波神经网络在字符识别方面是一个十分有效的方法。     

低渗透油藏压裂选层方法研究及应用

受油藏属性的限制,Q油田大批次的井需要压裂,部分井进入了二次或者二次以上的压裂,所以压裂选层已经成为该油田的重要工作.为了避免传统压裂选层的经验性和主观性,依据多口压裂井的效果与压裂参数间关系,应用层次分析法(AHP)建立起了适合Q油田的压裂选层模型.通过模型求解与实际应用给出了选层方法,并对候选层段进行了优劣排序,定量判断合适的压裂层段.研究成果可为Q油田压裂选层工作做出重要指导意义,减少人为的主观因素,提高选层的准确性和时效性.     

基于卷积神经网络的低空风切变类型识别

针对激光雷达低空风切变信号图像的类型识别问题,提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的多层特征提取及自适应融合算法。该方法可以有效解决网络逐层训练过程中信息丢失的问题。首先,采用DCNN提取低空风切变信号图像的各层网络特征,并将各特征进行L2范数标准化实现同趋化。其次,将其以多通道图像形式输入单层CNN进行自适应融合,将融合特征送入支持向量机进行分类识别。结果表明,采用所提算法进行低空风切变图像类型识别的平均识别率为98.1%,与其他4种算法相比均有提升。所提算法能更有效地实现低空风切变信号图像类型识别。     

两种工序能力指数计算方法的比较：在分布中心与公差中心偏离的情况下

本文研究目前在工序质量控制中的一个重要问题，就是在分布中心μ与公差中心Ｍ偏离的情况下，两种工序能力指数ＣＰＫ与ＣＰ的计算方法及其比较，以及两种计算精度的分析，最后得出初步的结构。对我国企业今后开展好工序质量控制、降低不良品损失有一定的实用价值。     

基于自适应差分演化的特征选择算法在石油储层识别中的应用

近年来我国石油产量跟不上需求,供需矛盾进一步凸显,导致石油的对外依存度已经连续几年超过警戒线,为了缓解供需矛盾,石油的增储上产是一种有效措施,但精确地识别石油储层成为增储上产的一大难题,而特征选择是精确识别石油储层的有效保障.本文提出了一种增强型自适应差分演化算法,即ESADE算法,在算法中使用了双种群的概念,构造了一个简单的双层差分演化,并且在算法的选择操作中加入模拟退火的思想;接着将ESADE算法作为特征选择的搜索策略,将ReliefF算法、BIF算法、FCBF算法及随机抽选特征算法作为评价准则库,SOM神经网络算法、模糊C均值算法、K均值算法和K近邻算法作为分类器库,得到了一种基于ESADE的特征选择算法.然后将此算法应用于某油田oil81、oil82、oil83、oil84和oil85五口井的测井数据集上进行石油储层的油层、差油层、水层和干层的分类识别,并与未进行特征选择直接进行分类的结果进行比较及相同分类正确率下不同分类算法组合及不同属性选择的比较.实验结果表明与SOM神经网络算法、模糊C均值算法、K均值算法及K近邻算法这四种分类算法相比,基于ESADE的特征选择算法能在利用较少属性的同时提高分类准确率,并能够提供不同的属性和分类算法的最优组合方案.