面向油田动态信息建模的PNN构建方法与应用技术研究
| 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 课题研究背景和意义 | 第9页 |
| 1.2 油田动态信息建模概述 | 第9-10页 |
| 1.3 过程神经网络及其信息处理 | 第10-12页 |
| 1.3.1 过程神经网络国内外研究现状综述分析 | 第10-12页 |
| 1.3.2 过程神经网络信息处理 | 第12页 |
| 1.4 智能优化算法及在PNN中的应用 | 第12-13页 |
| 1.5 论文选题和内容安排 | 第13-15页 |
| 第二章 动态信号平稳性与过程神经网络结构关系研究 | 第15-20页 |
| 2.1 非线性信息系统建模 | 第15-16页 |
| 2.2 基于信息熵的数据预处理 | 第16-17页 |
| 2.3 动态信号平稳性与过程神经网络结构关系 | 第17-19页 |
| 2.3.1 系统动态信号平稳性 | 第17-18页 |
| 2.3.2 动态信号平稳性与过程神经网络结构关系 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 PNN时空汇聚和激励模式的分析 | 第20-30页 |
| 3.1 PNN信息汇聚及变换关系 | 第20-23页 |
| 3.1.1 过程神经网络 | 第20-21页 |
| 3.1.2 PNN信息汇聚及变换关系 | 第21-23页 |
| 3.2 PNN时空聚合模式构建方法分析 | 第23-25页 |
| 3.3 PNN激励模式研究 | 第25-29页 |
| 3.3.1 常见的激励函数 | 第25-27页 |
| 3.3.2 激励函数类型构建 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于智能优化策略的PNN学习算法研究 | 第30-41页 |
| 4.1 PNN训练算法 | 第30-33页 |
| 4.1.1 基于LMS的PNN训练算法 | 第30-32页 |
| 4.1.2 基于L-M的PNN训练算法 | 第32-33页 |
| 4.2 基于LMS与PSO混合优化算法 | 第33-37页 |
| 4.2.1 粒子群优化算法 | 第33-34页 |
| 4.2.2 LMS和PSO混合优化算法流程 | 第34-35页 |
| 4.2.3 实验分析 | 第35-37页 |
| 4.3 基于L-M与QGA混合优化算法 | 第37-40页 |
| 4.3.1 量子遗传算法 | 第37-38页 |
| 4.3.2 LM和QGA混合优化算法 | 第38-39页 |
| 4.3.3 实验分析 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 PNN在油田动态信息建模中的应用 | 第41-49页 |
| 5.1 引言 | 第41页 |
| 5.2 油田注采过程模拟中的应用 | 第41-44页 |
| 5.3 油藏模拟优势渗流场的识别 | 第44-48页 |
| 5.3.1 影响优势渗流主要因素分析 | 第44-45页 |
| 5.3.2 模型的构建 | 第45-48页 |
| 5.4 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 发表文章目录 | 第54-55页 |
| 致谢 | 第55-56页 |
