| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及其意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 论文的研究内容和结构安排 | 第12-14页 |
| 第二章 数据挖掘和Spark框架 | 第14-31页 |
| 2.1 数据挖掘理论基础 | 第14-22页 |
| 2.1.1 分类 | 第14-15页 |
| 2.1.2 聚类 | 第15-18页 |
| 2.1.3 模型性能评估 | 第18-22页 |
| 2.2 BP神经网络预测模型 | 第22-26页 |
| 2.2.1 BP神经网络 | 第22-25页 |
| 2.2.2 BP神经网络的优缺点 | 第25-26页 |
| 2.3 油藏数据特性和产量预测 | 第26-28页 |
| 2.4 Spark框架 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 数据预处理和基于决策树的油藏地层分类与识别 | 第31-43页 |
| 3.1 油藏地质背景和地层划分意义 | 第31-32页 |
| 3.2 数据预处理方法 | 第32-35页 |
| 3.2.1 基于信息熵的局部异常数据判别 | 第32-34页 |
| 3.2.2 KK-SMOTE不平衡数据过采样 | 第34-35页 |
| 3.3 基于决策树的油藏地层分类模型 | 第35-38页 |
| 3.3.1 决策树分类模型的构建 | 第35-37页 |
| 3.3.2 连续属性离散化 | 第37-38页 |
| 3.4 油藏数据预处理与分析 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于改进粒子群算法和BP神经网络的产量预测模型 | 第43-56页 |
| 4.1 粒子群算法及其改进研究 | 第43-47页 |
| 4.1.1 粒子群算法的基本原理 | 第43-45页 |
| 4.1.2 动态调整惯性因子 | 第45-46页 |
| 4.1.3 加速因子的设定 | 第46-47页 |
| 4.2 BP神经网络结构确定 | 第47-51页 |
| 4.2.1 输入层神经元确定 | 第47-48页 |
| 4.2.2 隐含层神经元确定 | 第48-49页 |
| 4.2.3 输出层神经元确定 | 第49-51页 |
| 4.3 基于改进粒子群算法的BP神经网络产量预测模型 | 第51-55页 |
| 4.3.1 产量预测模型算法步骤 | 第51-53页 |
| 4.3.2 基于Spark和分治的粒子群并行化 | 第53-54页 |
| 4.3.3 基于Spark的 BP神经网络并行化 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 产量预测模型优化分析 | 第56-62页 |
| 5.1 Spark平台搭建 | 第56页 |
| 5.2 产量预测建立与对比分析 | 第56-61页 |
| 5.2.1 数据集分析与处理 | 第56-58页 |
| 5.2.2 实验对比分析 | 第58-61页 |
| 5.3 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 本文总结 | 第62页 |
| 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的学术成果 | 第68-69页 |
| 致谢 | 第69页 |
