基于深度信念网络的岩性识别方法研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 测井处理分析岩性识别方法 | 第11-12页 |
| 1.2.2 基于机器学习的岩性识别方法 | 第12-13页 |
| 1.3 研究内容及技术路线 | 第13-14页 |
| 1.4 论文的结构安排 | 第14-15页 |
| 第2章 传统机器学习方法研究 | 第15-24页 |
| 2.1 神经网络 | 第15-19页 |
| 2.1.1 神经元模型 | 第15-16页 |
| 2.1.2 BP神经网络 | 第16-18页 |
| 2.1.3 BP神经网络的性能分析 | 第18-19页 |
| 2.2 支持向量机 | 第19-23页 |
| 2.2.1 线性支持向量机 | 第19-21页 |
| 2.2.2 非线性支持向量机 | 第21-22页 |
| 2.2.3 支持向量机性能分析 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 测井数据的预处理方法研究 | 第24-35页 |
| 3.1 测井数据分析 | 第24-25页 |
| 3.2 测井曲线的预处理 | 第25-31页 |
| 3.2.1 测井曲线深度校正方法 | 第25-28页 |
| 3.2.2 测井曲线环境校正方法 | 第28页 |
| 3.2.3 测井曲线平滑滤波方法 | 第28-31页 |
| 3.3 岩性分析数据的预处理 | 第31-33页 |
| 3.3.1 岩性分析数据标准化方法 | 第31-32页 |
| 3.3.2 岩性分析数据降维方法 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 基于深度信念网络的岩性识别方法研究 | 第35-46页 |
| 4.1 深度信念网络 | 第35-36页 |
| 4.2 深度信念网络的无监督预训练 | 第36-39页 |
| 4.2.1 受限玻尔兹曼机的网络结构 | 第36-37页 |
| 4.2.2 受限波尔兹曼机的学习算法 | 第37-39页 |
| 4.2.3 深度信念网络的无监督训练过程 | 第39页 |
| 4.3 深度信念网络的有监督参数调优 | 第39-41页 |
| 4.4 岩性识别方法的设计及实现 | 第41-43页 |
| 4.5 实验分析 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 岩性识别系统的设计与实现 | 第46-61页 |
| 5.1 CIFLog测井平台 | 第46-47页 |
| 5.2 岩性识别系统的设计 | 第47-49页 |
| 5.3 岩性识别系统的实现 | 第49-60页 |
| 5.3.1 测井曲线预处理 | 第49-51页 |
| 5.3.2 数据整理 | 第51-53页 |
| 5.3.3 模型训练与应用 | 第53-58页 |
| 5.3.4 曲线预测 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
