量子神经网络模型及在储层识别中的应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.1.1 课题背景 | 第10页 |
| 1.1.2 课题研究意义 | 第10-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-15页 |
| 1.2.1 神经网络研究现状 | 第11-13页 |
| 1.2.2 储层识别研究现状 | 第13-14页 |
| 1.2.3 人工蜂群研究现状 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15-17页 |
| 第二章 人工神经网络及量子计算基础理论 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 人工神经网络 | 第17-22页 |
| 2.2.1 生物神经元 | 第18-19页 |
| 2.2.2 神经元的数学模型 | 第19-20页 |
| 2.2.3 前馈神经元网络模型 | 第20-21页 |
| 2.2.4 人工神经网络特点及优越性 | 第21-22页 |
| 2.3 量子计算概念 | 第22-24页 |
| 2.3.1 量子计算 | 第22页 |
| 2.3.2 量子比特的球面描述 | 第22-24页 |
| 2.3.3 量子比特的绕轴旋转 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 混合量子神经网络模型及算法 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 混合量子衍生神经网络模型 | 第26-28页 |
| 3.3 混合量子神经网络算法 | 第28-30页 |
| 3.3.1 实值样本的量子态描述 | 第28-29页 |
| 3.3.2 基于L-M算法的训练方法 | 第29-30页 |
| 3.4 仿真结果对比 | 第30-37页 |
| 3.4.1 波形识别 | 第30-32页 |
| 3.4.2 结果分析 | 第32页 |
| 3.4.3 储层识别 | 第32-33页 |
| 3.4.4 算法设置 | 第33页 |
| 3.4.5 结果对比 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 量子衍生蜂群算法 | 第38-51页 |
| 4.1 引言 | 第38页 |
| 4.2 人工蜂群算法 | 第38-41页 |
| 4.3 量子衍生蜂群算法 | 第41-50页 |
| 4.3.1 算法基本原理 | 第41-44页 |
| 4.3.2 收敛性分析 | 第44-45页 |
| 4.3.3 仿真结果对比 | 第45-49页 |
| 4.3.4 基于QIBC的HQNN训练方法 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于混合量子衍生神经网络的储层识别方法 | 第51-57页 |
| 5.1 引言 | 第51页 |
| 5.2 指标集构造 | 第51-52页 |
| 5.3 矿场的实测数据 | 第52-54页 |
| 5.4 识别方案设计 | 第54页 |
| 5.4.1. 确定训练集和测试集 | 第54页 |
| 5.4.2. 确定识别方案及参数设置 | 第54页 |
| 5.5 识别结果对比 | 第54-56页 |
| 5.6 识别结果分析 | 第56页 |
| 5.7 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表文章目录 | 第62-63页 |
| 致谢 | 第63-64页 |
