基于PNN神经网络的地震属性反演技术

在薄互层地震储层预测中,属性分析和地震反演是当前应用地震资料进行储层预测的主要技术,两者实质上都属于反问题范畴,两者各有优缺点。本文提出了一种基于PNN神经网络的多属性地震反演技术,可以比较好地发挥两者的优势。概率神经网络PPN）是一种数学内插方案,只不过在实现时利用了神经网络的架构,可以通过数学公式理解它的行为,克服了BP网络的的“黑匣子”问题。该技术在GTZ扶杨油层的砂岩预测中应用效果较好,厚度大于3m的砂岩识别符合率超过90%以上。     

运用多地震属性和神经网络预测岩性

利用多地震属性和BP神经网络可以得到胜利油田垦71地区的岩性预测.由井附近的地震道中可以提取井数据和多地震属性,并由此得到岩性信息,再用BP网络对岩性信息进行标定.岩性分布是基于训练好的网络和该地区的多地震属性进行计算的,结果与该区域未参加训练的井资料相比符合率为75%.     

概率神经网络技术在地震岩性反演中应用

针对研究区目的储层单层厚度小和储层岩性横向变化较大情况,为了解决利用地震资料进行常规储层预测反演较困难问题,采用概率神经网络方法,讨论了网络模型的构造和预测识别等步骤。根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地层特征进行预测识别,研究结果表明:在实际资料处理中取得了好的应用效果。研究成果对油田勘探开发具有一定的指导意义。     

砂泥岩地层概率神经网络岩性反演技术应用研究

概率神经网络是一种基于概率密度函数理论的神经网络,能够广泛地应用于模式识别等领域.针对地震岩性反演预测问题,提出了一种具体的概率神经网络方法,包括网络模型的构造和预测识别步骤等.研究区主要目的层为沙溪庙组沙一段湖滩砂及河道砂体,储层单层厚度小,岩性横向变化较大,利用地震资料进行常规储层预测较困难.为此,根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地震属性数据做变换,从而对地层特征进行预测识别.     

地震反演技术在储层建模中的作用

地震反演技术是储层建模的重要手段。迭前反演主要指AVO反演，它是地震剖面迭加以前利用反演振幅随炮检距变化的特征进行波阻抗反演；而迭后反演根据测井资料在其中所起作用大小分为：道积分、递推反演、模型反演三种反演技术。它们都是解决储层内的横向连续、物性变化特征的，但是每一种反演方法都有其局限性，并且解决储层地质特征的侧重点不一。故在文中从各种反演方法原理入手，探讨每一种反演技术在不同级别储层模型中的作用。这样才能在储层建模中针对不同开发阶段、不同精度的地质模型选用不同的反演法，使反演处理目的性更强、方法更有效。     

联合反演技术在台1地区扶余油层河道砂识别中的应用

台1地区在扶余油层河流相沉积广泛发育,因此对于该区扶余油层河道砂体的准确识别是提高油藏开发的重要保障,本文就该区三维地震资料在反射特征分析的基础上,通过分频属性与Jason 和Geo-office联合反演效果的分析,开展扶余油层河道砂体预测研究,搞清扶余油层各油层组河道砂等储层展布规律,有效地进行油藏评价工作,为下步开发寻找新的靶区,经实践证明,该方法的应用可大大提高河道砂识别的精度,具有较好的现实意义。     

地震反演技术在储层建模中的作用

地震反演技术是储层建模的重要手段 .迭前反演主要指 AVO反演 ,它是地震剖面迭加以前利用反演振幅随炮检距变化的特征进行波阻抗反演 ;而迭后反演根据测井资料在其中所起作用大小分为 :道积分、递推反演、模型反演三种反演技术 .它们都是解决储层内的横向连续、物性变化特征的 ,但是每一种反演方法都有其局限性 ,并且解决储层地质特征的侧重点不一 .故在文中从各种反演方法原理入手 ,探讨每一种反演技术在不同级别储层模型中的作用 .这样才能在储层建模中针对不同开发阶段、不同精度的地质模型选用不同的反演法 ,使反演处理目的性更强、方法更有效     

基于属性敏感卷积神经网络的行人属性分类

针对行人属性分类受行人属性不均衡影响的问题,提出了一种基于属性敏感卷积神经网络的行人属性分类方法.首先调整现有的卷积神经网络结构,通过融合正反通道激活模块的使用,使模型能够感知更加详细的行人属性;其次引入属性不均衡损失函数,根据属性的不均衡比例自适应更新网络权重,利用误差的反向传播对少类属性增加其权值,提升模型对少类属性的敏感;最后在PETA数据集上,对54个属性进行了分类试验.结果表明:相比MLCNN等方法,新方法在36分类任务上取得了提升;在平均准确度、平均召回率和平均AUC上,分别提升2.13%,2.38%和1.19%.     

模型反演技术在煤层厚度预测中的应用

在煤田地震勘探中,煤层厚度的变化情况是矿方开采前急需的重要参数。地震反演就是利用测井、钻井资料和地质规律为约束条件,构建一个初始波阻抗模型,将初始波阻抗模型与实际地震剖面进行对比,根据它与实际地震剖面的差异反复修改模型参数,最后得到一个从给定的观测数据中重构出的合适的地质模型,从而较好地预测和描述地下储层的纵横向展布和物性变化。对宁夏某矿区三维地震资料利用钻孔测井资料为约束进行反演处理,应用STRATA地震反演系统,获得波阻抗反演数据体。反演技术应用于煤层厚度解释具有直观、快速的特点。     

基于地震属性相关主成分分析的储层预测

通过分析地震属性与储层预测对象的相关关系,提出了一种基于地震属性相关主成分分析的油气储层预测方法,该方法通过降维获取地震属性综合变量,该综合变量既能代表地震属性变异或数据的空间结构,又能保证地震属性与储层参数具有最大的相关性,综合变量个数由卡纳尔准则确定,理论试算及实际应用表明该方法具有良好的去噪作用,能形成较可信的地震属性与储层参数的关系,具有较高的预测精度,本文方法优于基于地震属性主成分分析的储层预测方法。     

基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统,将传统ＰＩＤ工程整定法与神经网络相结合,采用直接自适应控制方法,使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制,更有效地改善控制品质．     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

基于神经网络的数字滤波器

提出了一种新型数字滤波器 它将神经网络结构与算法应用到滤波器中，取得了很好的效果。     

基于神经网络的三极管温度特性模型研究

温度对三极管的性能影响较大,使得电路中的静态工作点出现不稳定现象.采用神经网络技术分析实际环境温度对三极管放大特性的影响,并通过实测数据和利用线性均差法得到的数据建立三极管温度特性的神经网络模型.利用该模型可预测温度对放大倍数的影响,掌握电路系统的温度漂移,从而为优化系统性能提供设计依据.     

基于神经网络的自动化生产监控系统

为了使自动化生产系统始终处于高效的工作状态,在工作过程中就必须对其进行实时监控,以及时地发现系统中的故障情况和异常现象并进行诊断和处理。基于多层感知器和线性联想记忆的神经网路提出了一种新的自动化生产系统的故障发现及诊断的理论方法。运用这种理论方法,我们可以很方便地对自动化生产系统中的多特征复杂故障、多故障及多过程故障模式进行监测和诊断。同时,这种方法解决了以往所用方法算法复杂和难于实现的困难,且对于多过程的自动化生产系统,这种方法不存在优先权的选择问题,克服了以往所采用的方法不能同时监控多个过程的局限性,增强了系统监控的实时性。经仿真研究表明:这种方法较为理想和实用。     

一种非线性系统神经网络直接控制器的设计

提出了一种使用神经网络作为非线性对象直接控制器的设计方法 ,该控制器由一个常规控制器和一个神经网络控制器组成 .常规控制器对系统给出粗略控制 ,神经网络控制器给出补偿信号来进一步减小系统输出跟踪误差 .该方法对被控非线性对象类型的限制很少 .在该方法中 ,径向基函数 (RBF)神经网络被用来进行训练 ,训练后系统具有较好的稳定性 .仿真结果表明 ,该方法非常有效 ,对非线性系统能取得比较满意的控制效果     

基于神经网络的采掘接替优化研究

矿井采掘计划的编制是典型的不良结构和复杂的技术经济问题。本文采用人工神经网络技术和最优梯度下降算法来构筑ＡＮＮ数据获取器,以此获取采掘技术经济指标,并将ＡＮＮ 模型与计算机模拟相结合对矿井采掘关系进行动态调整与优化。     

基于Takagi-Sugeno模型的模糊神经网络的学习算法

选用正态函数作为模糊变量的隶属函数 ,给出了基于Takagi_Sugeno模型的模糊神经网络的用于学习的性能指标 ,并对其性质进行了分析 .在此基础上将二阶段变半径随机搜索法用作模糊神经网络的学习算法 .这种方法简便易行 ,可使模糊神经网络达到较高的精度 .该文给出了神经网络记忆容量的定义并求出了基于TS模型的模糊神经网络的记忆容量 .     

基于RBF神经网络的跳频信号频率预测的研究

提出了一种跳频信号频率预测的解决方案——RBF神经网络．比较了BP神经网络和RBF神经网络在跳频信号频率预测中的性能差异．应用MATLAB针对一伴有随机噪声的信号进行了仿真实验，证明了该理论的可行性与优越性。     

基于深度卷积神经网络的水稻病害图像识别研究

水稻病害类型多,采集过来的图像病斑交界特征复杂多变。即便同类别水稻病害在不同的生长时期,发生在叶片、茎秆、穗部等部位呈现的病斑特征也不一样,而且不同类型病害也存在相似病斑,这些都给水稻病害图像的精准识别带来了相当大的困难。采用深度卷积神经网络模型,使用数据集扩增技术,运用fine-tune方法对网络进行调参及构建,将自然场景下采集的常见8类水稻病害图像输入网络模型中进行训练和测试,在有限的图像数量下取得较高的识别精度,其中纹枯病的准确率为93%。不同于其他方法仅聚焦在水稻叶部或稻穗部,本文识别的图像是多株水稻的场景,可为水稻病害远程自动诊断提供关键技术支持。