核方法近似正则化路径及其在油井产油量预测上的应用
发布时间：2021-10-07 08:24
核方法在解决非线性复杂问题模式分析时表现出优异性能,已经成为当前机器学习的热点。核学习的正则化路径算法是数值求解核学习问题的有效方法。由核学习正则化路径的分段性质,该类算法既可以求解正则化参数在某一特定取值时对应的优化问题的解,也可以记录正则化参数在所有可能值时的优化问题的解。目前,我国大部分油田已经进入开发后期,普遍存在含水量和注水量逐渐上升、产油量逐渐降低等问题。石油工作者们需要不懈地对油井和水井进行注采调整,以保证它们在生产过程中的含水及压力等特征相对稳定。因此,选择产油量的动态分析模型尤为重要,其结果的可靠性与油田开发中长期规划和部署息息相关。对单井产油量的变化趋势进行分析,及时发现问题并找出原因,提出适当的解决问题措施,从而合理地开发油藏。结合本文的研究工作是基于建立解路径及提升算法速度问题展开,主要工作内容体现在以下几个方面:（1）提出了ε-SVR正则化路径近似算法SVRRPMCC和多核学习正则化路径近似算法MKLRPMC。在解路径建立的过程中,将Monte Carlo方法引入目标问题求解,在原始矩阵的基础上进行抽样,得到近似于原...
【文章来源】：东北石油大学黑龙江省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
非线性可分数据
图 2.2 核非线性映射示意图持向量机等学习机器中，核函数通常都基于欧氏距离或者欧式内积，半正定性等都必须满足 Mercer 条件。cer 条件. 设 X 是p的一个紧子集， k :X X 是一个连续的对希尔伯特空间上的积分算子满足积分正定条件：2( ), ( , ) ( ) ( )X Xf L X k x z f x f z dxdz ,存在一个特征空间 和一个映射 : ，使得k (x , z ) (x ) (z ).不同情况下的应用，可选取不同类型的核函数。常用的几种核函数核：( , ) ,i j i jK x x x x .式核：
支持向量机[63]。与传统的统计学理论相比，支持向量机完备的理论基础，使其在解决高维模式识别、小规模及优势，能够有效的处理有限规模样本的学习问题。由于特性，使其成功应用在模式识别[64]、回归估计[65]、生识别[68]等多个领域。平面性可分的训练样本，一类用 表示，一类用 表示。H线，1H 和2H 分别是平行于 的直线，且经过各类样本用支持向量(Support Vector)表示 和 上的点，分类。由图可知，将 适当旋转角度，仍可满足将两类样本的分类线 并不唯一。所谓最优分类线(Optimal Hyper差地被划分，同时使得分类间隔达到最大。将此定义推变为了最优超平面。
【参考文献】：
期刊论文
[1]SVRRPMCC:一种支持向量回归机的正则化路径近似算法[J]. 王梅,王莎莎,孙莺萁,宋考平,田枫,廖士中. 计算机科学. 2017(12)
[2]应用改进无偏灰色模型预测油气田产量[J]. 黄全华,付云辉,陆云,陈冲,刘彤. 岩性油气藏. 2016(05)
[3]基于主动学习的有监督在线多核学习算法[J]. 刘宁,赵建华,冯骜骜. 河南科学. 2016(09)
[4]基于输入K-近邻的正则化路径上SVR贝叶斯组合[J]. 王梅,曾昭虎,孙莺萁,杨二龙,宋考平. 山东大学学报(工学版). 2016(06)
[5]基于Boosting框架的非稀疏多核学习方法[J]. 胡庆辉,李志远. 计算机应用研究. 2016(11)
[6]基于多核系统的并行线性RankSVM算法[J]. 聂慧,彭娇,金晶,李康顺. 计算机应用研究. 2017(01)
[7]基于Lasso-Lars的密井网水驱注水量影响因素分析[J]. 王梅,孙莺萁,宋考平,高雅田,杨二龙. 数学的实践与认识. 2016(08)
[8]基于K均值聚类和粒子群优化的多核SVM图像分割[J]. 吴迪,戴芳,郭文艳,胡胜. 计算机系统应用. 2016(04)
[9]基于SVM分类模型的垃圾文本识别研究[J]. 黄正伟,唐芳艳. 数学的实践与认识. 2016(07)
[10]基于遗传算法优化BP神经网络在原油产量预测中的应用:以大庆油田BED试验区为例[J]. 马林茂,李德富,郭海湘,李伟伟. 数学的实践与认识. 2015(24)
博士论文
[1]正则化路径上的支持向量机模型组合[D]. 王梅.天津大学 2013
[2]典型试验区石油开发指标的变化规律预测及效益评价[D]. 李德富.中国地质大学 2013
[3]支持向量机模型选择研究[D]. 汪廷华.北京交通大学 2010
[4]面向生物数据分析的支持向量机技术的研究[D]. 刘建丽.北京工业大学 2007
硕士论文
[1]基于系统建模的水驱油田动态预测及应用研究[D]. 胡雪梅.西南石油大学 2016
[2]基于支持向量机的密井网水驱配注方法研究[D]. 李欢.东北石油大学 2016
[3]基于油藏建模成果的油田开发指标预测及状态评估方法[D]. 张宇航.东北石油大学 2016
[4]致密气藏多层压裂直井产能影响因素数值模拟研究[D]. 张铭洋.长江大学 2016
[5]低渗透油田中后期可采储量预测方法的研究与应用[D]. 蔡恒.西南石油大学 2015
[6]多核学习算法及其在人脸检测中的应用[D]. 淦艳.重庆师范大学 2015
[7]多核学习方法在分类问题中的应用研究[D]. 崔清亮.兰州交通大学 2014
[8]极限学习机算法的改进及其在抽油机井中的应用研究[D]. 苏志伟.中国计量学院 2014
[9]杏子川油田注水开发动态分析[D]. 李琳.西安石油大学 2013
[10]基于SVM的联机手写分类器设计[D]. 吴新榕.浙江大学 2012
本文编号：3421694
【文章来源】：东北石油大学黑龙江省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
非线性可分数据
图 2.2 核非线性映射示意图持向量机等学习机器中，核函数通常都基于欧氏距离或者欧式内积，半正定性等都必须满足 Mercer 条件。cer 条件. 设 X 是p的一个紧子集， k :X X 是一个连续的对希尔伯特空间上的积分算子满足积分正定条件：2( ), ( , ) ( ) ( )X Xf L X k x z f x f z dxdz ,存在一个特征空间 和一个映射 : ，使得k (x , z ) (x ) (z ).不同情况下的应用，可选取不同类型的核函数。常用的几种核函数核：( , ) ,i j i jK x x x x .式核：
支持向量机[63]。与传统的统计学理论相比，支持向量机完备的理论基础，使其在解决高维模式识别、小规模及优势，能够有效的处理有限规模样本的学习问题。由于特性，使其成功应用在模式识别[64]、回归估计[65]、生识别[68]等多个领域。平面性可分的训练样本，一类用 表示，一类用 表示。H线，1H 和2H 分别是平行于 的直线，且经过各类样本用支持向量(Support Vector)表示 和 上的点，分类。由图可知，将 适当旋转角度，仍可满足将两类样本的分类线 并不唯一。所谓最优分类线(Optimal Hyper差地被划分，同时使得分类间隔达到最大。将此定义推变为了最优超平面。
【参考文献】：
期刊论文
[1]SVRRPMCC:一种支持向量回归机的正则化路径近似算法[J]. 王梅,王莎莎,孙莺萁,宋考平,田枫,廖士中. 计算机科学. 2017(12)
[2]应用改进无偏灰色模型预测油气田产量[J]. 黄全华,付云辉,陆云,陈冲,刘彤. 岩性油气藏. 2016(05)
[3]基于主动学习的有监督在线多核学习算法[J]. 刘宁,赵建华,冯骜骜. 河南科学. 2016(09)
[4]基于输入K-近邻的正则化路径上SVR贝叶斯组合[J]. 王梅,曾昭虎,孙莺萁,杨二龙,宋考平. 山东大学学报(工学版). 2016(06)
[5]基于Boosting框架的非稀疏多核学习方法[J]. 胡庆辉,李志远. 计算机应用研究. 2016(11)
[6]基于多核系统的并行线性RankSVM算法[J]. 聂慧,彭娇,金晶,李康顺. 计算机应用研究. 2017(01)
[7]基于Lasso-Lars的密井网水驱注水量影响因素分析[J]. 王梅,孙莺萁,宋考平,高雅田,杨二龙. 数学的实践与认识. 2016(08)
[8]基于K均值聚类和粒子群优化的多核SVM图像分割[J]. 吴迪,戴芳,郭文艳,胡胜. 计算机系统应用. 2016(04)
[9]基于SVM分类模型的垃圾文本识别研究[J]. 黄正伟,唐芳艳. 数学的实践与认识. 2016(07)
[10]基于遗传算法优化BP神经网络在原油产量预测中的应用:以大庆油田BED试验区为例[J]. 马林茂,李德富,郭海湘,李伟伟. 数学的实践与认识. 2015(24)
博士论文
[1]正则化路径上的支持向量机模型组合[D]. 王梅.天津大学 2013
[2]典型试验区石油开发指标的变化规律预测及效益评价[D]. 李德富.中国地质大学 2013
[3]支持向量机模型选择研究[D]. 汪廷华.北京交通大学 2010
[4]面向生物数据分析的支持向量机技术的研究[D]. 刘建丽.北京工业大学 2007
硕士论文
[1]基于系统建模的水驱油田动态预测及应用研究[D]. 胡雪梅.西南石油大学 2016
[2]基于支持向量机的密井网水驱配注方法研究[D]. 李欢.东北石油大学 2016
[3]基于油藏建模成果的油田开发指标预测及状态评估方法[D]. 张宇航.东北石油大学 2016
[4]致密气藏多层压裂直井产能影响因素数值模拟研究[D]. 张铭洋.长江大学 2016
[5]低渗透油田中后期可采储量预测方法的研究与应用[D]. 蔡恒.西南石油大学 2015
[6]多核学习算法及其在人脸检测中的应用[D]. 淦艳.重庆师范大学 2015
[7]多核学习方法在分类问题中的应用研究[D]. 崔清亮.兰州交通大学 2014
[8]极限学习机算法的改进及其在抽油机井中的应用研究[D]. 苏志伟.中国计量学院 2014
[9]杏子川油田注水开发动态分析[D]. 李琳.西安石油大学 2013
[10]基于SVM的联机手写分类器设计[D]. 吴新榕.浙江大学 2012
本文编号：3421694
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/3421694.html
