| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 核学习的国内外研究现状 | 第10-11页 |
| 1.2.2 正则化路径的国内外研究现状 | 第11-12页 |
| 1.2.3 油井产油量预测的国内外研究现状 | 第12-13页 |
| 1.2.4 小结 | 第13页 |
| 1.3 本论文研究内容及各章节安排 | 第13-15页 |
| 1.3.1 本论文研究内容 | 第13-14页 |
| 1.3.2 本论文章节安排 | 第14-15页 |
| 第二章 核学习理论 | 第15-22页 |
| 2.1 核方法原理 | 第15-16页 |
| 2.2 SVM理论 | 第16-19页 |
| 2.2.1 最优超平面 | 第17-18页 |
| 2.2.2 使用松弛变量处理outliers方法 | 第18-19页 |
| 2.3 多核SVM | 第19-22页 |
| 第三章 基于Monte Carlo随机抽样的核学习正则化路径近似算法 | 第22-48页 |
| 3.1 Monte Carlo的矩阵近似求解方法 | 第22-28页 |
| 3.1.1 线性代数回顾 | 第22-23页 |
| 3.1.2 抽样定理 | 第23-24页 |
| 3.1.3 矩阵相乘近似算法 | 第24-28页 |
| 3.2 SVR近似正则化路径算法 | 第28-38页 |
| 3.2.1 SVR正则化表示 | 第29-30页 |
| 3.2.2 SVR正则化路径 | 第30-31页 |
| 3.2.3 SVRRPMCC算法 | 第31-36页 |
| 3.2.4 试验结果与分析 | 第36-38页 |
| 3.3 多核学习近似正则化路径算法 | 第38-48页 |
| 3.3.1 多核学习的正则化表示 | 第39-41页 |
| 3.3.2 多核学习正则化路径 | 第41-44页 |
| 3.3.3 MKLRP_(MC)算法 | 第44-45页 |
| 3.3.4 试验结果与分析 | 第45-48页 |
| 第四章 基于Lasso-Lars的油井产油量的影响因素分析 | 第48-52页 |
| 4.1 Lasso-Lars算法原理 | 第48-49页 |
| 4.2 油井产油量的影响因素分析 | 第49-52页 |
| 4.2.1 数据来源 | 第49-51页 |
| 4.2.2 影响因素分析 | 第51-52页 |
| 第五章 基于核学习近似正则化路径的油井产油量预测 | 第52-62页 |
| 5.1 正则化路径上的模型组合 | 第52-57页 |
| 5.1.1 初始模型集 | 第52-53页 |
| 5.1.2 平均BIC准则修剪策略 | 第53-55页 |
| 5.1.3 输入K~-近邻模型组合算法 | 第55-57页 |
| 5.2 油井产油量预测 | 第57-62页 |
| 5.2.1 运行效率 | 第58页 |
| 5.2.2 预测性能 | 第58-61页 |
| 5.2.3 小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-72页 |
| 发表文章目录 | 第72-74页 |
| 致谢 | 第74-75页 |