极限学习机在岩性识别中的应用

基于传统支持向量机(SVM)训练速度慢、参数选择难等问题,提出了基于极限学习机(ELM)的岩性识别.该算法是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度.在确定了最优参数的基础上,建立了ELM的岩性分类模型,并且将ELM的分类结果与SVM进行对比.实验结果表明,ELM以较少的神经元个数获得与SVM相当的分类正确率,并且ELM参数选择比SVM简便,有效降低了训练速度,表明了ELM应用于岩性识别的可行性和算法的有效性.     

基于PCA与支持向量回归的储层渗透率预测

在测井技术与储层基本特征研究的基础上,对与渗透率相关的测井参数和岩心参数进行了分析,根据传统的储层渗透率预测方法,提出了一种基于主成分分析与支持向量回归的储层渗透率预测方法。应用主成分分析对测井参数和岩心参数进行数据降维,优选出与渗透率最相关的参数,将优选出的测井参数和岩心参数作为支持向量回归模型的输入参数进行渗透率预测。实验结果表明,利用主成分分析算法提取的特征参数与渗透率有较好的相关性,且支持向量回归具有较高的预测精度,显示出主成分分析和支持向量回归在储层渗透率预测中的优势与实际应用价值。     

极限学习机与支持向量机在储层渗透率预测中的对比研究

极限学习机ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。本文将极限学习机引入到储层渗透率的预测中,通过对比支持向量机,分析其在储层渗透率预测中的可行性和优势。实验结果表明,极限学习机与支持向量机有近似的预测精度,但在参数选择以及学习速度上极限学习机具有明显的优势。     

融合DE与ELM方法的油气钻井成本预测

钻井成本预测在油气钻井企业成本管理体系中具有重要地位,有助于成本分析与成本控制工作的顺利开展,控制钻井成本过快增长。提出了利用极限学习机对油气钻井成本进行预测,为了寻求全局最优解,整体提高算法的泛化性能,将差分进化算法用于极限学习机的权值优化,即构建DE-ELM模型用于中国石油某公司某区块钻井作业成本的预测。实验结果表明,DE-ELM在预测钻井成本过程中,在精确度方面要优于单纯的极限学习机算法,验证了其应用于钻进成本预测的有效性。     

基于球向量机的图像分割

由于图像数据量庞大,将标准支持向量机应用于图像分割时,其训练的时间复杂度较高。通过使用球向量机对图像进行分割,以降低训练过程消耗的时间。实验表明,在无噪声和有噪声情况下,使用球向量机对图像进行分割,其分割效果和抗噪性能与标准支持向量机的分割效果基本相同。然而,球向量机在训练过程中所消耗的时间显著小于标准支持向量机。应用球向量机进行图像分割,可以显著提高图像分割的整体性能。