基于小波神经网络的薄互储层参数预测

来源 :模式识别与人工智能 | 被引量 : 0次 | 上传用户:xieqi509
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对薄互储层沉积具有储层厚度薄且横向变化剧烈的特点,及油气藏所具有的复杂性,本文提出了一种新的薄互储层参数的预测方法--小波神经网络技术小波神经网络是基于小波分析理论所构造的一种新的神经网络模型,它充分利用小波变换良好的局部化性质,并结合神经网络的自学习功能,因而具有较强的逼近能力,从而提高薄互储层参数的预测精度.并通过实例验证了此方法的正确性.
其他文献
基于智能互补融合观点,提出了一种新的数据浓缩方法.该方法整合了自适应共振网络(ART)和人工免疫网络各自的优点,人工免疫网络利用ART提供的有关系统的先验知识构造网络,对数
提出了模糊极大极小神经网络新的隶属函数及新的并集学习算法。算法不受形状因子的影响且与学习顺序无关,各模糊子集的等λ截集中不存在异类训练样本,学习后的隐层节点数较扩
本文选取在机械设计领域普遍存在的机构同构判定问题作为应用对象,将机构的同构判定问题转化为求解其邻接矩阵的特征编码值的问题,利用蚂蚁算法对于NP完全问题所具有的抵御组
蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息
粗糙集方法已成为数据挖掘的重要手段.由于数据挖掘需要处理大量的数据,并且数据动态递增,因而粗糙集方法需要具备处理大数据库数据的能力,以及有效处理动态递增数据的能力.
本文针对传统的聚类算法倾向于识别大小类似的球形聚类簇,且对离群数据较为敏感等问题,利用聚类簇代表点选取的方法,设计了一种有效的聚类算法.该方法首先从聚类簇中选取充分