| 第1章 绪论 | 第1-32页 |
| 1．1 课题的目的和意义 | 第12页 |
| 1．2 神经网络的研究与发展历史 | 第12-14页 |
| 1．2．1 神经网络发展的历史 | 第12-14页 |
| 1．2．2 神经网络方法在石油地球物理勘探中的应用研究 | 第14页 |
| 1．3 地下油藏仿真的研究与进展 | 第14-20页 |
| 1．3．1 地下油藏仿真的研究概述 | 第14-15页 |
| 1．3．2 小波神经网络理论的研究与发展概述 | 第15-19页 |
| 1．3．3 小波神经网络的应用研究现状 | 第19-20页 |
| 1．4 贝叶斯-克里金油藏参数预测的研究与进展 | 第20-22页 |
| 1．4．1 克里金估计技术与地质统计学的发展概况 | 第20-21页 |
| 1．4．2 贝叶斯-克里金在油藏参数预测中的应用研究 | 第21-22页 |
| 1．5 遗传算法的研究和发展概述 | 第22-26页 |
| 1．5．1 遗传算法的发展历史 | 第22-23页 |
| 1．5．2 遗传算法的理论及方法研究现状 | 第23-26页 |
| 1．5．3 遗传算法的应用研究现状 | 第26页 |
| 1．6 模拟退火算法的研究和发展概况 | 第26-30页 |
| 1．6．1 模拟退火算法的研究概况 | 第26-27页 |
| 1．6．2 模拟退火算法的理论及方法研究现状 | 第27-30页 |
| 1．6．3 模拟退火算法的应用研究现状 | 第30页 |
| 1．7 本文的主要研究内容 | 第30-32页 |
| 第2章 人工神经网络 | 第32-46页 |
| 2．1 引言 | 第32页 |
| 2．2 神经元模型 | 第32-37页 |
| 2．2．1 生物神经元的结构 | 第33页 |
| 2．2．2 生物神经元的功能和特征 | 第33-34页 |
| 2．2．3 人工神经元的理论模型 | 第34-37页 |
| 2．3 神经网络模型 | 第37-42页 |
| 2．3．1 神经网络的结构特点 | 第37-38页 |
| 2．3．2 神经网络的互连结构分类 | 第38-39页 |
| 2．3．3 神经网络的自学习过程 | 第39-42页 |
| 2．4 误差回传神经网络（BP） | 第42-45页 |
| 2．4．1 误差回传神经网络概述 | 第42-43页 |
| 2．4．2 BP网络的计算公式 | 第43-45页 |
| 2．5 本章小结 | 第45-46页 |
| 第3章 地下油藏的三维仿真研究 | 第46-85页 |
| 3．1 引言 | 第46页 |
| 3．2 三维可视化油藏仿真模型的建立 | 第46-59页 |
| 3．2．1 三维地震勘探的基本原理 | 第46-47页 |
| 3．2．2 三维地震野外数据采集 | 第47-53页 |
| 3．2．3 计算机控制的自适应数据采集系统在地震数据采集中应用 | 第53-59页 |
| 3．3 地下油藏的三维可视化仿真 | 第59-73页 |
| 3．3．1 地震三维数据体的形成 | 第59-61页 |
| 3．3．2 三维立体显示 | 第61页 |
| 3．3．3 水平切片 | 第61-64页 |
| 3．3．4 垂直切片 | 第64-71页 |
| 3．3．5 对地下构造的三维剥层显示 | 第71-73页 |
| 3．4 小波神经网络在油藏构造的精细划分中应用 | 第73-84页 |
| 3．4．1 方法原理 | 第74-81页 |
| 3．4．2 小波神经网络边缘检测方法实现和处理流程 | 第81-84页 |
| 3．5 本章小结 | 第84-85页 |
| 第4章 贝叶斯-克里金估计在油藏参数预测中的应用 | 第85-109页 |
| 4．1 引言 | 第85页 |
| 4．2 克里金基本原理 | 第85-99页 |
| 4．2．1 区域性变量理论 | 第86-87页 |
| 4．2．2 变异函数 | 第87-90页 |
| 4．2．3 区域性变量的空间变异性 | 第90-92页 |
| 4．2．4 结构分析 | 第92-95页 |
| 4．2．5 克里金估计方程组 | 第95-99页 |
| 4．3 贝叶斯-克里金估计技术 | 第99-103页 |
| 4．3．1 贝叶斯公式 | 第99页 |
| 4．3．2 贝叶斯-克里金基本原理 | 第99-101页 |
| 4．3．3 贝叶斯-克里金估计 | 第101-102页 |
| 4．3．4 变异函数的求取 | 第102-103页 |
| 4．4 基于贝叶斯-克里金估计技术的油藏参数预测 | 第103-105页 |
| 4．4．1 油藏参数 | 第103-104页 |
| 4．4．2 方法实现 | 第104页 |
| 4．4．3 应用实例 | 第104-105页 |
| 4．5 本章小结 | 第105-109页 |
| 第5章 基于改进的遗传算法人工神经网络的薄互油藏参数预测 | 第109-142页 |
| 5．1 引言 | 第109-110页 |
| 5．2 遗传算法 | 第110-117页 |
| 5．2．1 遗传算法的基本步骤 | 第110-112页 |
| 5．2．2 基于二进制编码的遗传算法 | 第112-115页 |
| 5．2．3 基于浮点数编码的遗传算法 | 第115-117页 |
| 5．3 遗传算法的数学基础 | 第117-131页 |
| 5．3．1 基本概念 | 第117-118页 |
| 5．3．2 模式定理 | 第118-122页 |
| 5．3．3 隐含并行性 | 第122-124页 |
| 5．3．4 遗传算法收敛性分析 | 第124-131页 |
| 5．4 自适应遗传算法（AGA）基本原理 | 第131-133页 |
| 5．4．1 自适应遗传算法 | 第131-132页 |
| 5．4．2 自适应的交换概率和变异概率 | 第132-133页 |
| 5．5 快速、高精度遗传算法人工神经网络（I-GABP） | 第133-137页 |
| 5．5．1 染色体基因位编码方式 | 第133-134页 |
| 5．5．2 群体规模及遗传算子 | 第134-135页 |
| 5．5．3 快速、高精度遗传算法人工神经网络（I-GABP） | 第135-137页 |
| 5．6 基于快速、高精度遗传算法神经网络的薄互油藏参数识别预测 | 第137-140页 |
| 5．6．1 地震特征参数的提取及选择 | 第137-138页 |
| 5．6．2 应用实例 | 第138-140页 |
| 5．7 本章小结 | 第140-142页 |
| 第6章 改进的模拟退火算法人工神经网络识别预测薄互油藏参数 | 第142-175页 |
| 6．1 引言 | 第142-143页 |
| 6．2 模拟退火算法及其特性 | 第143-151页 |
| 6．2．1 固体退火过程 | 第143-144页 |
| 6．2．2 Metropolis准则 | 第144-145页 |
| 6．2．3 模拟退火算法 | 第145-147页 |
| 6．2．4 模拟退火算法的特性 | 第147-151页 |
| 6．3 模拟退火算法的渐近收敛性 | 第151-156页 |
| 6．3．1 渐近收敛性 | 第151-154页 |
| 6．3．2 渐近性态 | 第154-156页 |
| 6．4 鲍威尔（Powell）算法 | 第156-161页 |
| 6．4．1 Powell算法的基本思想 | 第156-160页 |
| 6．4．2 Powell法的实施 | 第160-161页 |
| 6．5 改进的模拟退火组合优化算法人工神经网络 | 第161-168页 |
| 6．5．1 最佳保留的模拟退火算法（ISA） | 第161-163页 |
| 6．5．2 新解产生器的实现 | 第163-164页 |
| 6．5．3 冷却进度表 | 第164-166页 |
| 6．5．4 Powell与模拟退火有机结合的快速组合优化算法 | 第166页 |
| 6．5．5 改进的模拟退火组合优化算法人工神经网络 | 第166-168页 |
| 6．6 基于改进模拟退火组合优化算法神经网络薄互油藏参数识别预测 | 第168-170页 |
| 6．6．1 地震特征参数 | 第168-169页 |
| 6．6．2 应用实例 | 第169-170页 |
| 6．7 算法比较 | 第170-174页 |
| 6．7．1 引入遗传、退火机制的人工神经网络 | 第170-172页 |
| 6．7．2 各种算法仿真结果 | 第172-174页 |
| 6．8 本章小结 | 第174-175页 |
| 结论 | 第175-177页 |
| 参考文献 | 第177-192页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第192-194页 |
| 致谢 | 第194页 |
