| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题研究的背景与意义 | 第8页 |
| 1.2 沉积相模式识别研究概述 | 第8-11页 |
| 1.2.1 沉积相的概念与分类原则 | 第9-10页 |
| 1.2.2 沉积相模式识别研究发展概况 | 第10-11页 |
| 1.3 软计算理论研究概述 | 第11-13页 |
| 1.3.1 软计算概况 | 第11-12页 |
| 1.3.2 软计算理论在储层预测中的应用 | 第12-13页 |
| 1.4 主要研究内容及思路 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-16页 |
| 第二章 应用粗糙集属性约简储层特征参数 | 第16-39页 |
| 2.1 数据来源与研究区概况 | 第16-22页 |
| 2.1.1 研究区X气田概况 | 第16页 |
| 2.1.2 区域沉积背景 | 第16-17页 |
| 2.1.3 沉积类型及划分 | 第17-19页 |
| 2.1.4 单井沉积相分析 | 第19-21页 |
| 2.1.5 剖面沉积相对比 | 第21-22页 |
| 2.2 测井相特征参数提取 | 第22-26页 |
| 2.2.1 测井相分析 | 第22-24页 |
| 2.2.2 储层特征参数提取 | 第24-26页 |
| 2.3 特征参数属性约简方法 | 第26-38页 |
| 2.3.1 粗糙集理论的基本概念 | 第26-30页 |
| 2.3.2 知识约简 | 第30-31页 |
| 2.3.3 特征参数属性约简 | 第31-33页 |
| 2.3.4 特征参数数据处理 | 第33-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 支持向量机理论与参数优化 | 第39-64页 |
| 3.1 统计学习理论基本内容 | 第39-41页 |
| 3.1.1 VC维理论 | 第39-40页 |
| 3.1.2 经验风险最小化原则 | 第40页 |
| 3.1.3 结构风险最小化原则 | 第40-41页 |
| 3.2 支持向量机基本原理 | 第41-46页 |
| 3.2.1 线性可分问题 | 第41-44页 |
| 3.2.2 线性不可分问题 | 第44-46页 |
| 3.3 支持向量机核函数 | 第46-48页 |
| 3.3.1 核函数类型 | 第46-47页 |
| 3.3.2 核函数的选择 | 第47-48页 |
| 3.3.3 核参数优选 | 第48页 |
| 3.4 应用粒子群算法优化支持向量机参数 | 第48-54页 |
| 3.4.1 粒子群算法的基本原理 | 第49-50页 |
| 3.4.2 粒子群算法的特点 | 第50-51页 |
| 3.4.3 粒子群算法优化支持向量机核参数 | 第51-54页 |
| 3.5 应用遗传算法优化支持向量机参数 | 第54-61页 |
| 3.5.1 遗传算法基本原理 | 第54-55页 |
| 3.5.2 遗传算法分析 | 第55-57页 |
| 3.5.3 遗传算法的特点 | 第57-58页 |
| 3.5.4 遗传算法优化支持向量机核参数 | 第58-61页 |
| 3.6 参数优化算法结果对比 | 第61-63页 |
| 3.7 本章小结 | 第63-64页 |
| 第四章 基于粗糙集-改进支持向量机储层沉积微相识别模型 | 第64-73页 |
| 4.1 储层沉积微相识别方法 | 第64页 |
| 4.2 方法设计 | 第64-65页 |
| 4.3 模型建立 | 第65-69页 |
| 4.3.1 选定训练集和测试集 | 第65-66页 |
| 4.3.2 数据预处理 | 第66-67页 |
| 4.3.3 遗传粒子群混合算法选择最佳参数 | 第67-69页 |
| 4.3.4 训练与预测 | 第69页 |
| 4.4 实验结果与分析 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 总结 | 第73页 |
| 5.2 展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 攻读硕士学位期间发表的论文 | 第79-80页 |