自组织特征映射神经网络的区域经济发展聚类分析

自组织特征映射(SOM)神经网络是无教师自组织、自学习网络,具有优良的数据聚类功能.基于选取的区域经济发展评价指标,对2006年我国31个省(地区)的综合经济实力进行聚类分析.结合主成分得分对聚类结果综合评价,实证效果较好.     

基于自组织映射网络的齿轮故障分类识别

分析了自组织映射网络算法,在U-矩阵方法基础上提出了一种改进的可视化训练结果方法,并应用于齿轮故障的模式识别,研究表明,自组织映射网络能对齿轮状态进行正确分类,有效识别故障模式,改进的可视化方法能更加清楚地显示网络训练结果,两者结合可以扩展应用于机械设备的状态监测和故障识别。     

基于自组织特征映射聚类的协同过滤推荐算法

个性化推荐系统是电子商务系统的一个重要研究内容,计算顾客之间的相似性或顾客聚类是产生良好推荐的关键．通过分析个性化推荐的应用特征,即顾客评分数据稀疏及其影响;在开放的电子商务环境中,新顾客不断加入和顾客偏好的迁移,使顾客簇不断发生变化,提出了一种基于自组织特征映射聚类的协同过滤推荐算法,对高堆稀疏的样本进行动态聚类．它具有下列特点：①在自组织特征映射聚类中,引入抑制函数,使其能够适应顾客评分数据的稀疏性;②设置神经元的分裂和合并过程,使其能够满足顾客聚类的动态变化．通过实验分析,表明该算法能够适应顾客评分数据稀疏和顾客聚类的动态变化特征,从而提高推荐质量．     

改进的自组织特征映射网络及应用

在自组织特征映射网络研究的基础上,对其网络结构进行了改进,利用改进后的自组织特征映射网络算法进行油气检测.根据已知井位的油气属性,验证了该方法的有效性,并将其运用于未知井位的油气属性的预测.     

矩阵码的自组织特征映射识别研究

基于Ｋｏｈｏｎｅｎ自组织特征映身网的自组织性、自适应性及对输入信号的高容错能力，运用无导师动态竞争学习方法对较模糊的矩阵码进行识别，取得了较好的效果，对网络的训练采用了采用带噪声的矩阵码数据，大大提高了系统的辨识能力，试验表明，该方法为矩阵码的识别提供了一有效的途径。     

基于自组织特征映射神经网络的校园网用户聚类分析

在校园网系统的管理中,网管人员常常需要了解用户的网络行为,以便更好地配置和管理网络系统,提高网络服务效率.以大理学院校园网认证计费系统日志为研究对象,利用自组织映射神经网络(SOM)对校园网用户行为和网络通信模式进行聚类分析.网管人员可以根据聚类结果,设计有效的网络管理方案和系统配置参数,从而有效地配置和管理校园网,提高服务效率和管理质量.     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

用自组织神经网络自动识别岩相

ＢＰ神经网络技术以及其强大的学习能力已广泛应用于许多领域,取得了很好效果,但当不具备已知样本时,该技术很难应用,本文采用改进的自组织神经网络,对测井资料进行自动岩相识别,并在松辽盆地进行了实际应用。通过与已知资料对比证实该方法是一种有效的岩石自动识别方法,具有良好的应用前景。     

基于核的自组织映射聚类

将核学习的方法应用于自组织映射聚类中,提出了一种核自组织映射聚类算法.该算法以核函数代替原始数据在特征空间中映射值的内积,并且神经元权值向量的初始化和更新都可由其组合系数向量表示,从而获得了直观而简单的迭代公式.分析了算法中学习速率过高会降低学习稳定性、学习速率过低又会降低收敛速度等参数选择问题,给出了一组折中考虑学习稳定性和收敛速度要求的参数初始值.实验结果表明,核自组织映射聚类对于非椭圆型的类分布数据,如环形数据,聚类正确率也能够达到99.886 4%.对IRIS数据集和入侵检测报警数据的聚类也证明了核自组织映射聚类方法的良好性能.     

基于自组织特征映射神经网络的聚类分析的应用

介绍了自组织特征映射神经网络结构和算法,并将此神经网络用于葡萄酒化学成分产地的聚类分析,实验结果表明：该网络的聚类准确率达到了87％,具有一定的科学性和适用性。     

基于气测资料的储层含油气性识别方法

基于气测资料构造适当的综合指标，分别利用模糊模式识别和误差反向传播（BP）神经网络两种方法对储层含油气性进行了分析。结果表明，气测资料与储层含油气性具有较强的相关性。模糊模式识别方法可以用来确定气测综合指标与储层含油气性之间的模糊关系，而且对待识别样品气测资料的随机性具有较强的适应性；神经网络法能够较准确地建立气测综合指标与储层含油气性之间的非线性关系，但在待识别样品气测资料具有随机性的情况下，识别结果具有随机性：利用模糊模式和BP神经网络方法对储层含油气性进行识别具有一定的可行性，能快速为储层含油气性分析提供一定的参考依据，并且前一种方法的识别效果优于后一种方法。     

基于改进的自组织神经网络的基因剪切位点的识别

为提高基因序列中剪切位点的识别率,将无先导卡尔曼滤波器(UKF)和自组织神经网络(SOFM)相结合,给出一种非线性高维数据的聚类算法.利用无先导变换(UT)参数化SOFM邻域宽度函数的均值和方差,并采用UKF进行预测,完成SOFM参数的自适应过程.该算法用于基因剪切位点的识别结果表明:较SOFM与EKF参数自适应方法,该算法识别精度较高,验证了其有效性和可行性.     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...     

利用动态侵入测井响应识别低电阻油气层

高矿化度钻井液侵入是造成油气层低电阻的主要因素之一,泥浆浸泡时间愈长,测井结果对地层真值的偏离愈甚,测井解释难度越大.钻井泥浆侵入地层的动态测井模型是基于多相渗流理论、岩电关系和测井理论建立起来的,它为识别由于高矿化度泥浆侵入形成的低电阻油气层提供了一个有效手段.介绍了根据按时间记录的电阻率测井响应,利用试错法对测井响应进行模拟计算,从而反推得到原状地层的真电阻率的方法.该方法为低电阻油气层的识别提供了可靠的依据.     

基于量子LM神经网络和粗糙集的石油储层识别方法研究

提出一种量子LM（Levenberg Marquardt,LM）神经网络与粗糙集相结合的智能识别方法,以替代传统的统计识别方法和工程应用中以单一智能控制为基础的识别方法．基于LM神经网络的技术方案可以整理测井定位数据,提高预测的准确性;量子计算具有并行和类映射的优势;通过削减冗余信息和简化信息量,粗糙集可以降低量子LM神经网络的复杂性,缩短数据处理时间,削减神经网络的负担．通过在石油储层识别实践中的应用证明：该方法可以有效提高计算速度和识别精度,降低成本．     

多波地震油气储层的自组织神经网络学习与预测

如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标。多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题。为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案。首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息。最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果。应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性。     

测井资料在优质页岩气储层识别中的应用——以鄂尔多斯盆地东南部长7段黑色页岩为例

为了利用常规测井资料研究页岩气储层,通过岩电关系、ΔlgR法、裂缝测井解释模型探讨了鄂尔多斯盆地东南部长7段黑色页岩的优质储层识别问题.结果表明:长7段成熟的富有机质泥页岩普遍具有高自然伽马、高自然电位、高声波时差和低密度的电性特征,有机碳质量分数普遍大于2%,均值3.15%,裂缝发育段主要集中在顶部和中下部,且以水平缝或低角度缝为主.研究区长7段黑色页岩段的顶部和中下部具备形成页岩气藏的良好地质条件,是页岩气勘探的有利层段.     

塔河缝洞型碳酸盐岩油藏注气提高采收率物理模拟研究

鉴于塔河缝洞油藏单井注气吞吐试验取得了较好采油效果,为将注气技术从单井吞吐向单元区块进行推广,有必要优化缝洞型油藏单元注气方式。本文首先通过岩板刻蚀缝洞模型来研究不同气驱方式的产液特征、产液规律,在此基础通过具有类似缝洞结构的玻璃刻蚀模型开展可视化物理模拟研究来定性解释上述规律产生的机制。板状模型物理模拟研究发现,缝洞模型水驱后以不同方式注气,第一阶段皆表现为产水、不出油;不同注气方式产油速度、采收率增值差别较大。从采油速度看,转单纯注气效果优于气水同注、气水交替和注泡沫;从采收率增值看,泡沫驱 >气水同注> 纯氮气驱 >气水交替。研究表明,水、气体、泡沫在缝洞介质中流动特征可概括为：气往高处去,水往低处流,泡沫高低都能走,上述驱替介质在缝洞模型中特定的行进方式决定了其对水驱剩余油的作用机制和产液特征。     

带油环凝析气藏地层压力预测方法

带油环凝析气藏气顶油环协同开发过程中,地层压力的不断降低导致气顶发生反凝析现象,油环中的溶解气不断逸出,同时还伴随着原生水蒸发、岩石流体膨胀、边底水侵入等变化。综合考虑以上影响因素,在烃类流体物料守恒原理的基础上,建立带油环凝析气藏地层压力预测方法。将该方法应用于某实际带油环凝析气藏中。计算结果表明:该方法得到的地层压力与关井实际测压数据吻合较好,具有一定的可靠性;在衰竭开采方式下,气顶采气速度和油环采油速度的增加都会加速地层压力的下降;在气顶孔隙体积大于油环的孔隙体积条件下,气顶采气速度的增加更容易加快地层压力的下降,从而气顶的采气速度不能太大以免地层能量过早枯竭。