| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 创新点摘要 | 第7-12页 |
| 第一章 绪论 | 第12-29页 |
| ·计算机系统仿真技术 | 第12-16页 |
| ·系统仿真发展历史及现状分析 | 第16-17页 |
| ·油田开发中的系统仿真问题 | 第17-20页 |
| ·智能计算概述 | 第20-26页 |
| ·模糊计算 | 第20-22页 |
| ·神经计算 | 第22页 |
| ·进化计算 | 第22-25页 |
| ·支持向量机 | 第25-26页 |
| ·论文选题与内容安排 | 第26-29页 |
| ·论文选题 | 第26-28页 |
| ·内容安排 | 第28-29页 |
| 第二章 面向系统仿真的动态输出过程神经网络模型 | 第29-39页 |
| ·过程神经网络基本模型 | 第29-30页 |
| ·过程神经元 | 第29页 |
| ·过程神经网络模型 | 第29-30页 |
| ·动态输出过程神经网络模型 | 第30-32页 |
| ·动态输出过程神经元 | 第30-31页 |
| ·动态输出过程神经网络模型 | 第31-32页 |
| ·理论性质分析 | 第32-33页 |
| ·基于混沌遗传与粒子群结合的学习算法 | 第33-37页 |
| ·网络训练目标函数 | 第34-35页 |
| ·混沌遗传及粒子群算法 | 第35-36页 |
| ·基于CGA与PSO混合算法的DOPNN训练 | 第36-37页 |
| ·在油田开发井组注采过程模拟中的应用 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于DOPNN的控制信号求解算法及应用技术 | 第39-50页 |
| ·基于模型的系统仿真控制 | 第39-40页 |
| ·非线性动态系统控制模型 | 第40-41页 |
| ·用于系统辨识的过程神经元网络模型 | 第41-43页 |
| ·基于DOPNN的系统控制信号求解 | 第43-46页 |
| ·用于控制信号求解的过程神经网络模型 | 第44-45页 |
| ·基于遗传算法的控制信号求解 | 第45-46页 |
| ·基于相空间重构的训练样本集构建 | 第46-47页 |
| ·油田注采开发系统控制变量的求解 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于智能算法的油田开发系统状态识别 | 第50-66页 |
| ·双隐层过程神经网络模型 | 第50-53页 |
| ·网络模型 | 第50-51页 |
| ·网络训练算法 | 第51-53页 |
| ·过程支持向量机模型及其理论性质 | 第53-58页 |
| ·过程支持向量机模型 | 第53-54页 |
| ·PSVM的理论性质分析 | 第54-56页 |
| ·PSVM的求解算法 | 第56-58页 |
| ·DHPNN在测井沉积微相识别中的应用 | 第58-62页 |
| ·方法原理 | 第58-59页 |
| ·学习样本与模式特征筛选 | 第59页 |
| ·决策规则简化算法 | 第59页 |
| ·决策算法最小化方法 | 第59页 |
| ·实际资料处理 | 第59-62页 |
| ·基于PSVM的测井油水层判别 | 第62-63页 |
| ·基于DHPNN的抽油机井示功图诊断 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 基于模糊神经网络的油田动态信息处理 | 第66-77页 |
| ·模糊逻辑推理 | 第66-67页 |
| ·模糊神经网络 | 第67-70页 |
| ·模糊规则描述 | 第67-68页 |
| ·模糊神经网络模型 | 第68-69页 |
| ·模糊神经网络的学习算法 | 第69-70页 |
| ·模糊计算过程神经网络 | 第70-75页 |
| ·生物神经元的启示 | 第70-71页 |
| ·模糊计算过程神经元 | 第71-72页 |
| ·模糊计算过程神经网络模型 | 第72-74页 |
| ·模糊神经网络学习样本的蹄选 | 第74-75页 |
| ·FCPNN在油层水淹状况识别中的应用 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 基于进化算法的油藏参数辨识及地层对比 | 第77-93页 |
| ·基本遗传算法 | 第77-78页 |
| ·基于遗传算法的开发系统油藏参数辨识 | 第78-82页 |
| ·自适应遗传算法 | 第79-81页 |
| ·带有可行解空间压缩功能的遗传算法 | 第81-82页 |
| ·基于进化算法的多目标约束地层对比 | 第82-86页 |
| ·测井小层对比原理 | 第82-83页 |
| ·地层对比特征指标的选择及预处理 | 第83-84页 |
| ·适应度函数建立 | 第84-86页 |
| ·一种改进的QPSO算法 | 第86-89页 |
| ·基本粒子群算法 | 第86页 |
| ·量子粒子群算法 | 第86-88页 |
| ·变异处理 | 第88页 |
| ·全局因子的自适应确定 | 第88-89页 |
| ·基于QPSO优化的地层对比 | 第89页 |
| ·实际资料处理 | 第89-92页 |
| ·本章小结 | 第92-93页 |
| 第七章 智能模型在油田仿真中的应用及可信性评价 | 第93-104页 |
| ·在开发动态指标预测中的应用 | 第93-95页 |
| ·在油藏开发过程模拟中的应用 | 第95页 |
| ·在油层参数计算中的应用 | 第95-98页 |
| ·神经网络结构 | 第95-97页 |
| ·神经网络的训练问题 | 第97页 |
| ·实际资料处理 | 第97-98页 |
| ·模型的可信性分析 | 第98-103页 |
| ·仿真系统和模型的可信性评价方法 | 第98-99页 |
| ·基于神经网络仿真模型可信性评价方法和步骤 | 第99-101页 |
| ·三种神经网络仿真模型可信性分析 | 第101-103页 |
| ·本章小结 | 第103-104页 |
| 第八章 全文总结及下步工作展望 | 第104-106页 |
| ·全文总结 | 第104-105页 |
| ·下一步工作展望 | 第105-106页 |
| 参考文献 | 第106-115页 |
| 发表文献目录 | 第115-117页 |
| 致谢 | 第117-118页 |
| 详细摘要 | 第118-133页 |