多源信息融合的测井曲线分层算法研究

测井数据解释中,针对单一测井曲线无法真实反映地层属性问题,提出以多条测井曲线的滤波因子为权值,融合出一条综合特征曲线,对该特征曲线相继采用层内差异法细分层与模糊聚类校正分层,实现特征曲线的合理分层。实验结果表明:该方法避免了海量数据处理过程,剔除了噪点数据的影响,提高了分层的速度与精度,能够为应用测井资料进行岩性识别、测井相分析、储层划分等研究提供有利的技术支撑。     

基于TIN的三维地质建模研究

将三维地质建模技术用于地质分析,提出一种基于TIN的建模方法。采用带断层约束的三角剖分算法,实现海量数据Delaunay三角剖分,建立地质层面模型,以地层和断层为约束,根据层序地层学原理,按层序网格表征方式细分地层,建立层序模型,并在结构模型的基础上,使用距离加权反比法估算网格结点的属性,建立地质体属性模型。     

大规模地形真实感渲染技术研究

针对快速增长的数据规模和计算机图形硬件处理能力之间的矛盾,对大规模地形真实感渲染技术进行研究。采用基于四叉树的层次细节算法渲染大规模地形,设计四叉树地形的存储结构,以视距和地形粗糙度的双重标准确定地形节点的细节程度,给出利用裙边修补裂缝的方法。实验结果表明,该技术能快速实时地完成大规模地形数据的调度和场景的真实感渲染。     

基于径向基神经网络改进算法优化锅炉燃烧效率

为了提高径向基神经网络训练精度,提出一种混合优化算法。该算法利用粒子群优化算法全局搜索能力强的特点,避免了K均值算法受初始点选择的不利影响,提高了网络中心的搜索速度;同时采用动态权值算法避免径向基神经网络可能出现的病态问题,进一步提高网络的逼近能力。锅炉燃烧实例表明了改进算法的有效性和实用性。     

基于Zigzag变换的数字图像置乱算法的研究

图像的隐藏与伪装技术是图像安全方面一个非常重要的研究领域.其中常用的图像置乱算法实现较为复杂,基于Zigzag变换的思想提出了一种新的数字图像置乱算法,并构造了两个具体的置乱变换方法.通过算法的仿真实验和结果分析表明该算法具有较好的置乱效果及较大的周期,并具有一定的抗攻击能力,从图像信息安全性及算法的时间复杂度方面分析,该算法优于Arnold等变换,将该类算法用于图像加密有一定的应用价值.     

球形支持向量机在煤自燃预测中的应用

引入模糊隶属度和最小二乘思想,采用邻域粗糙集方法对煤自燃预测的输入向量进行维数约简和粒子群优化(PSO)算法优化支持向量机模型中的参数,提出一种模糊最小二乘球形支持向量机(FLHSSVM),并用序贯最小化(SMO)算法求解FLHSSVM中的二次规划问题,建立煤自燃预测模型。实验结果表明,该方法有效简化了训练样本,提高了FLHSSVM训练速度,且分类精度良好,有很好的泛化能力。     

PSO-SVM算法在肝脏B超图像识别中的应用

为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vec-tor Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO-SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO-SVM算法适用于对肝脏B超图像的识别。     

基于SVM的肝脏B超图像纹理分类

在支持向量机SVM的基础上,提出一种肝脏B超图像纹理分类方法。该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM分类,寻找分类的最佳特征组合,最后将该方法与BP神经网络的分类方法进行了对比。实验结果表明,所得到的最佳特征组合能有效地区分正常肝脏和病变肝脏,利用该方法可以得到更高的分类精度和更稳定的性能。     

基于遗传优化径向基概率神经网络的岩性识别应用

岩性识别是测井数据解释中最关键的一环,但传统的岩性识别方法解释效率慢,精度低,受人为因素影响大。为此,提出一种遗传优化径向基概率神经网络(RBPNN)的岩性识别方法。该方法融合概率神经网络(PNN)和径向基函数神经网络(RBFNN)的优势来构造RBPNN,采用遗传算法搜索使得RBPNN训练法误差最小的最优隐中心矢量和相匹配的核函数控制参数,优化网络结构,提高收敛速度与精度,形成全结构遗传优化的RBPNN模型。实例应用表明,基于遗传优化RBPNN的岩性识别能够达到工程实际应用的规范标准,且是可行有效的,能够为油田地质勘探领域的岩性识别提供科学的理论支持与依靠。