| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 抽油井动态液面检测方法研究现状 | 第10-12页 |
| 1.2.1 回声法 | 第11-12页 |
| 1.2.2 示功图法 | 第12页 |
| 1.2.3 井下压力法 | 第12页 |
| 1.3 软测量技术 | 第12-18页 |
| 1.3.1 软测量建模技术的研究现状 | 第14-18页 |
| 1.3.2 模型的校正 | 第18页 |
| 1.4 本文主要工作 | 第18-20页 |
| 第2章 有杆泵抽油井工艺 | 第20-24页 |
| 2.1 有杆泵抽油系统简介 | 第20-22页 |
| 2.2 采油过程原理 | 第22页 |
| 2.3 动液面分析 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 支持向量机理论及其核函数构造 | 第24-42页 |
| 3.1 统计学习理论 | 第24-26页 |
| 3.1.1 经验风险最小化原则 | 第24-25页 |
| 3.1.2 VC维理论和边界的理论 | 第25页 |
| 3.1.3 结构风险最小化准则 | 第25-26页 |
| 3.2 支持向量机理论 | 第26-32页 |
| 3.2.1 支持向量机的发展 | 第27页 |
| 3.2.2 支持向量机分类理论 | 第27-30页 |
| 3.2.3 支持向量机回归理论 | 第30-32页 |
| 3.3 支持向量机核函数的构造 | 第32-41页 |
| 3.3.1 核函数理论 | 第32-33页 |
| 3.3.2 核函数的分类 | 第33-35页 |
| 3.3.3 构造混合核函数 | 第35-40页 |
| 3.3.4 支持向量回归中的重要参数 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 SVR参数的智能优化算法研究 | 第42-50页 |
| 4.1 智能优化算法概述 | 第42-45页 |
| 4.1.1 进化优化算法 | 第42-43页 |
| 4.1.2 群智能优化算法 | 第43-44页 |
| 4.1.3 粒子群算法 | 第44-45页 |
| 4.2 粒子群算法改进 | 第45-49页 |
| 4.2.1 主要的粒子群改进方法 | 第45-47页 |
| 4.2.2 改进粒子群算法的优越性验证 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 动液面软测量模型的建立与仿真 | 第50-66页 |
| 5.1 软测量建模依据和方法选择 | 第50页 |
| 5.2 辅助变量的选择与预处理 | 第50-53页 |
| 5.2.1 数据标准化处理 | 第52页 |
| 5.2.2 动液面数据插值处理 | 第52-53页 |
| 5.3 SVR模型的建立与仿真 | 第53-61页 |
| 5.3.1 模型预测能力评价标准 | 第53页 |
| 5.3.2 单核SVR模型的建立与仿真 | 第53-56页 |
| 5.3.3 混合核函数SVR模型的建立与仿真 | 第56-57页 |
| 5.3.4 基于粒子群优化算法的MK-SVR模型的建立与仿真 | 第57-61页 |
| 5.4 模型更新 | 第61-65页 |
| 5.4.1 增量式算法 | 第61-62页 |
| 5.4.2 模型更新的仿真验证 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 论文总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |