| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-9页 |
| 第一章 绪论 | 第9-16页 |
| 1．1 引言 | 第9-10页 |
| 1．2 非线性参数估计技术研究现状 | 第10-11页 |
| 1．3 遗传算法研究现状 | 第11-13页 |
| 1．4 岩性识别技术研究现状 | 第13-15页 |
| 1．5 本文完成的主要内容 | 第15-16页 |
| 第二章 基于遗传算法的非线性变参数估计的研究 | 第16-26页 |
| 2．1 引言 | 第16页 |
| 2．2 非线性系统变参数估计问题描述 | 第16-17页 |
| 2．3 遗传算法 | 第17-23页 |
| 2．3．1 遗传算法基本机理及特征 | 第17-18页 |
| 2．3．2 基本遗传算法 | 第18-22页 |
| 2．3．3 遗传算法的改进 | 第22-23页 |
| 2．4 非线性变参数估计的遗传算法 | 第23页 |
| 2．5 本章小结 | 第23-26页 |
| 第三章 基于遗传算法的钻井参数估计 | 第26-37页 |
| 3．1 引言 | 第26页 |
| 3．2 钻井参数估计问题描述 | 第26-27页 |
| 3．3 基于遗传算法的钻井参数估计 | 第27-29页 |
| 3．3．1 编码方案确定 | 第27页 |
| 3．3．2 初始化种群组（解空间）的构成 | 第27-28页 |
| 3．3．3 适应度函数的确定 | 第28-29页 |
| 3．4 应用实例 | 第29-33页 |
| 3．4．1 改进遗传算法对估计结果的影响 | 第29-30页 |
| 3．4．2 遗传算法控制参数对估计结果的影响 | 第30-33页 |
| 3．5 应用实例效果分析 | 第33-36页 |
| 3．6 本章小结 | 第36-37页 |
| 第四章 神经网络模式识别方法研究 | 第37-57页 |
| 4．1 引言 | 第37-39页 |
| 4．2 基于BP神经网络的模式分类器 | 第39-43页 |
| 4．2．1 BP神经网络基本结构与特征 | 第39-40页 |
| 4．2．2 BP神经网络学习算法 | 第40-42页 |
| 4．2．3 BP学习算法的改进与实现 | 第42-43页 |
| 4．3 基于ART-2神经网络的模式分类器 | 第43-50页 |
| 4．3．1 ART-2神经网络的工作方式 | 第43-46页 |
| 4．3．2 ART-2神经网络学习算法 | 第46-49页 |
| 4．3．3 ART-2神经网络的算法改进 | 第49-50页 |
| 4．4 基于模糊自适应Hamming网络的模式分类器 | 第50-55页 |
| 4．4．1 模糊自适应Hamming网络的结构及原理 | 第50-52页 |
| 4．4．2 模糊自适应Hamming网络的学习算法 | 第52-54页 |
| 4．4．3 模糊自适应Hamming网络的动态特性分析 | 第54-55页 |
| 4．5 本章小结 | 第55-57页 |
| 第五章 基于神经网络的钻井过程岩性识别 | 第57-72页 |
| 5．1 引言 | 第57页 |
| 5．2 钻井曲线的岩性特征分析 | 第57-58页 |
| 5．3 训练样本数据库的建立 | 第58页 |
| 5．4 预处理 | 第58-59页 |
| 5．5 随钻岩性识别分类器的设计 | 第59-60页 |
| 5．6 基于误差反传BP网络的钻井过程岩性识别 | 第60-65页 |
| 5．6．1 训练样本数据库的建立 | 第60页 |
| 5．6．2 BP网络结构设计 | 第60页 |
| 5．6．3 网络训练 | 第60-62页 |
| 5．6．4 实验结果 | 第62-65页 |
| 5．7 基于ART-2网络的钻井过程岩性识别 | 第65-66页 |
| 5．7．1 ART-2网络结构设计 | 第65页 |
| 5．7．2 ART-2网络分类器的训练样本数据库 | 第65页 |
| 5．7．3 实验结果 | 第65-66页 |
| 5．8 基于模糊自适应Hamming网络的钻井过程岩性识别 | 第66-67页 |
| 5．8．1 模糊自适应Hamming网络结构设计 | 第66页 |
| 5．8．2 训练样本数据库的建立 | 第66-67页 |
| 5．8．3 实验结果 | 第67页 |
| 5．9 三种识别方法的性能比较 | 第67-71页 |
| 5．10 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
