量子神经网络设计及在超深层储层评价中的应用
| 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9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-12页 |
| 1.2.1 智能优化在储层评价预测中的研究进展 | 第10页 |
| 1.2.2 人工神经网络在储层预测中的应用进展 | 第10-11页 |
| 1.2.3 量子计算与神经网络的融合进展 | 第11页 |
| 1.2.4 量子计算与智能优化的融合进展 | 第11-12页 |
| 1.3 论文章节安排 | 第12-13页 |
| 第二章 人工神经网络与量子计算基础 | 第13-21页 |
| 2.1 引言 | 第13页 |
| 2.2 人工神经网络 | 第13-16页 |
| 2.2.1 神经元模型 | 第14-15页 |
| 2.2.2 BP神经网络 | 第15-16页 |
| 2.3 量子计算基础 | 第16-20页 |
| 2.3.1 量子比特 | 第16-18页 |
| 2.3.2 量子态干涉 | 第18-19页 |
| 2.3.3 量子态计算并行性 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于通用量子门的量子衍生BP网络模型 | 第21-30页 |
| 3.1 引言 | 第21页 |
| 3.2 量子BP神经网络模型 | 第21-24页 |
| 3.2.1 通用量子门 | 第21-22页 |
| 3.2.2 量子衍生神经元模型 | 第22-23页 |
| 3.2.3 量子衍生BP网络模型 | 第23-24页 |
| 3.3 量子BP神经网络学习算法 | 第24-26页 |
| 3.3.1 网络输入样本的量子态化 | 第24页 |
| 3.3.2 网络参数更新规则 | 第24-25页 |
| 3.3.3 网络连续性的证明 | 第25-26页 |
| 3.4 仿真对比 | 第26-29页 |
| 3.4.1 点集分类问题测试 | 第26-28页 |
| 3.4.2 函数逼近问题测试 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于改进粒子群算法的量子BP网络训练算法 | 第30-44页 |
| 4.1 引言 | 第30页 |
| 4.2 改进的粒子群算法 | 第30-35页 |
| 4.2.1 普通粒子群算法 | 第30-31页 |
| 4.2.2 改进措施 | 第31-34页 |
| 4.2.3 算法流程 | 第34-35页 |
| 4.3 实验结果分析 | 第35-39页 |
| 4.3.1 测试函数 | 第35页 |
| 4.3.2 参数设置 | 第35页 |
| 4.3.3 实验结果 | 第35-39页 |
| 4.3.4 结果分析 | 第39页 |
| 4.4 基于IPSO的QBP网络训练 | 第39-43页 |
| 4.4.1 网络参数 | 第39页 |
| 4.4.2 样本数据 | 第39-40页 |
| 4.4.3 算法参数设置 | 第40页 |
| 4.4.4 实验结果对比与分析 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 量子神经网络模型在超深层储层评价中的应用 | 第44-55页 |
| 5.1 引言 | 第44页 |
| 5.2 超深层储层识别特点 | 第44-45页 |
| 5.3 基于QBP的超深层储层识别方案 | 第45-50页 |
| 5.3.1 超深层储层识别指标集构造 | 第45-48页 |
| 5.3.2 网络结构设计 | 第48页 |
| 5.3.3 评价模型参数设计 | 第48-49页 |
| 5.3.4 储层识别方案设计 | 第49-50页 |
| 5.4 超深层储层识别结果及分析 | 第50-53页 |
| 5.4.1 储层实测数据 | 第50-53页 |
| 5.4.2 储层识别结果 | 第53页 |
| 5.4.3 识别结果分析 | 第53页 |
| 5.5 本章小结 | 第53-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 发表文章目录 | 第62-63页 |
| 致谢 | 第63-64页 |
