| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-8页 |
| 绪论 | 第8-14页 |
| 0.1 课题的研究背景和意义 | 第8-9页 |
| 0.2 国内外研究现状 | 第9-12页 |
| 0.3 课题的研究内容及关键技术 | 第12-13页 |
| 0.4 本文的结构安排 | 第13-14页 |
| 第一章 群智能优化算法—PSO | 第14-30页 |
| 1.1 引言 | 第14-15页 |
| 1.2 粒子群优化算法 | 第15-18页 |
| 1.2.1 算法由来 | 第15页 |
| 1.2.2 算法原理 | 第15-16页 |
| 1.2.3 算法改进 | 第16-17页 |
| 1.2.4 算法流程 | 第17-18页 |
| 1.2.5 PSO研究现状 | 第18页 |
| 1.3 改进的粒子群优化算法 | 第18-22页 |
| 1.3.1 标准算法分析 | 第18页 |
| 1.3.2 改进的粒子群算法 | 第18-21页 |
| 1.3.3 仿真算法流程 | 第21-22页 |
| 1.4 仿真实验 | 第22-26页 |
| 1.4.1 参数设置 | 第22页 |
| 1.4.2 仿真分析 | 第22-26页 |
| 1.5 理论模型试算及分析 | 第26-30页 |
| 1.5.1 一维理论模型反演 | 第26-27页 |
| 1.5.2 二维理论模型反演 | 第27-29页 |
| 1.5.3 实际地震资料反演 | 第29-30页 |
| 第二章 粒子群优化的径向基函数人工智能网络 | 第30-45页 |
| 2.1 引言 | 第30-32页 |
| 2.2 RBFNN基本原理 | 第32-36页 |
| 2.2.1 径向基函数解决插值问题 | 第33-34页 |
| 2.2.2 正则化RBF神经网络和广义RBF神经网络 | 第34-35页 |
| 2.2.3 网络参数求取 | 第35-36页 |
| 2.3 基于K-L变换、模糊聚类的输入数据预处理 | 第36-42页 |
| 2.4 粒子群优化的径向基函数人工智能网络 | 第42-45页 |
| 2.4.1 IRIS数据集实验 | 第43-44页 |
| 2.4.2 WINE数据集实验 | 第44-45页 |
| 第三章 粒子群优化的径向基函数神经网络在储层预测中的应用 | 第45-57页 |
| 3.1 应用实例一 | 第45-48页 |
| 3.2 应用实例二 | 第48-57页 |
| 3.2.1 属性分析 | 第48-53页 |
| 3.2.2 砂体横向预测 | 第53-57页 |
| 结论与展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |