基于知识发现的压裂优化研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外研究现状概述 | 第9-15页 |
| 1.2.1 国内、外相关理论研究历史及现状 | 第9-13页 |
| 1.2.2 国内外知识发现理论研究历史及现状 | 第13-15页 |
| 1.3 论文主要研究内容 | 第15-17页 |
| 第二章 知识发现基本理论介绍 | 第17-22页 |
| 2.1 知识发现概述 | 第17-18页 |
| 2.1.1 知识发现概念 | 第17-18页 |
| 2.1.2 知识发现的研究背景 | 第18页 |
| 2.2 知识发现常用算法介绍 | 第18-20页 |
| 2.3 本章小结 | 第20-22页 |
| 第三章 基于数据集的数据筛选及影响因素分析 | 第22-26页 |
| 3.1 压裂影响因素的预处理及定性分析 | 第22-23页 |
| 3.2 基于灰度关联度分析的压裂影响因素定量分析 | 第23-25页 |
| 3.2.1 灰度关联度分析的基本原理 | 第23页 |
| 3.2.2 灰度关联度分析的计算过程 | 第23-25页 |
| 3.3 本章小结 | 第25-26页 |
| 第四章 基于GA_SVM的模型 | 第26-38页 |
| 4.1 支持向量机模型 | 第26-28页 |
| 4.1.1 最优分类面 | 第26-27页 |
| 4.1.2 SVM模型 | 第27-28页 |
| 4.2 遗传算法基本理论 | 第28-30页 |
| 4.2.1 遗传算法概述 | 第28-29页 |
| 4.2.2 遗传算法基本原理与计算过程 | 第29-30页 |
| 4.3 GA-SVM算法设计 | 第30-32页 |
| 4.3.1 支持向量机理论的应用及不足 | 第30页 |
| 4.3.2 GA-SVM算法的基本思路 | 第30-31页 |
| 4.3.3 GA-SVM算法的实现步骤 | 第31-32页 |
| 4.4 实例分析及模型设计 | 第32-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 基于改进的PSO_BP的模型 | 第38-52页 |
| 5.1 BP神经网络基本理论 | 第38-41页 |
| 5.1.1 BP神经网络基本原理 | 第38页 |
| 5.1.2 BP神经网络的学习算法 | 第38-40页 |
| 5.1.3 BP神经网络的问题及改进思路 | 第40-41页 |
| 5.2 粒子群算法基本理论 | 第41-42页 |
| 5.2.1 粒子群算法概述 | 第41页 |
| 5.2.2 粒子群算法基本原理 | 第41页 |
| 5.2.3 粒子群算法的基本计算过程 | 第41-42页 |
| 5.3 改进的PSO_BP算法设计 | 第42-44页 |
| 5.4 实例分析及模型设计 | 第44-51页 |
| 5.4.1 优化影响参数 | 第44页 |
| 5.4.2 算例过程及结果分析 | 第44-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 软件编制及综合实例 | 第52-62页 |
| 6.1 软件开发目的 | 第52页 |
| 6.2 软件结构 | 第52-53页 |
| 6.3 界面简介 | 第53-62页 |
| 结论与建议 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间取得的学术成果 | 第67-68页 |
| 致谢 | 第68页 |
