| 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9-20页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 人工神经网络 | 第9-12页 |
| 1.3 动态神经网络 | 第12-14页 |
| 1.4 课题研究现状 | 第14-19页 |
| 1.4.1 预测方法的研究现状 | 第14-15页 |
| 1.4.2 油田开发指标预测方法的研究现状 | 第15-19页 |
| 1.5 本文研究内容 | 第19页 |
| 1.6 本章小结 | 第19-20页 |
| 第二章 油田开发数据分析及预处理研究 | 第20-26页 |
| 2.1 油田开发数据定性分析 | 第20-22页 |
| 2.2 油田开发数据定量分析 | 第22-23页 |
| 2.3 油田开发数据预处理 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于Elman神经网络的预测模型研究及应用 | 第26-41页 |
| 3.1 引言 | 第26-27页 |
| 3.2 Elman神经网络模型 | 第27页 |
| 3.3 Elman神经网络模型的学习算法 | 第27-29页 |
| 3.4 基于遗传算法的模型构建 | 第29-34页 |
| 3.4.1 遗传算法 | 第29-31页 |
| 3.4.2 遗传算法的改进策略 | 第31-32页 |
| 3.4.3 模型学习算法的优化方法 | 第32-34页 |
| 3.5 单井含水率预测的应用 | 第34-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 基于自组织特征映射神经网络的预测模型研究及应用 | 第41-52页 |
| 4.1 引言 | 第41-42页 |
| 4.2 SOM神经网络模型 | 第42-43页 |
| 4.3 SOM神经网络模型的学习算法 | 第43-44页 |
| 4.4 基于动态K-均值的组合模型 | 第44-47页 |
| 4.4.1 动态K-均值算法 | 第44-46页 |
| 4.4.2 基于SOM神经网络和动态K-均值的组合模型设计 | 第46-47页 |
| 4.5 异常井分类预测的应用 | 第47-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 基于过程神经元网络的预测模型研究及应用 | 第52-62页 |
| 5.1 引言 | 第52页 |
| 5.2 过程神经元网络模型 | 第52-54页 |
| 5.3 过程神经元网络模型的学习算法 | 第54-55页 |
| 5.4 基于粒子群算法的模型优化 | 第55-58页 |
| 5.4.1 粒子群算法 | 第55-57页 |
| 5.4.2 模型参数的优化方法 | 第57-58页 |
| 5.5 产量预测的应用 | 第58-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 发表文章目录 | 第66-67页 |
| 致谢 | 第67-68页 |
