| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 创新点摘要 | 第8-13页 |
| 第一章 绪论 | 第13-29页 |
| 1.1 课题背景及研究意义 | 第13-17页 |
| 1.1.1 页岩油测井评价的研究意义 | 第13-14页 |
| 1.1.2 极限过程神经网络的研究意义 | 第14-16页 |
| 1.1.3 量子布谷鸟算法的研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-26页 |
| 1.2.1 页岩油测井评价的研究现状 | 第17-22页 |
| 1.2.2 过程神经网络的研究现状 | 第22-24页 |
| 1.2.3 布谷鸟算法的研究现状 | 第24-26页 |
| 1.3 论文主要研究内容与结构安排 | 第26-29页 |
| 1.3.1 主要研究内容 | 第26-27页 |
| 1.3.2 论文结构安排 | 第27-29页 |
| 第二章 相关基础理论概述 | 第29-47页 |
| 2.1 过程神经元网络 | 第29-32页 |
| 2.1.1 从生物神经元到过程神经元 | 第29-31页 |
| 2.1.2 前馈过程神经元网络 | 第31-32页 |
| 2.2 极限学习机 | 第32-35页 |
| 2.2.1 相关基础理论 | 第32页 |
| 2.2.2 极限学习机介绍 | 第32-35页 |
| 2.3 布谷鸟搜索算法 | 第35-37页 |
| 2.4 量子计算基础 | 第37-40页 |
| 2.4.1 量子比特 | 第37-38页 |
| 2.4.2 量子逻辑门 | 第38-40页 |
| 2.4.3 量子进化算法流程 | 第40页 |
| 2.5 页岩油测井评价相关技术 | 第40-46页 |
| 2.5.1 页岩测井响应特征 | 第40-41页 |
| 2.5.2 最优化解释方法 | 第41-43页 |
| 2.5.3 TOC预测相关技术 | 第43-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 量子衍生布谷鸟算法的研究及矿物组分反演应用 | 第47-80页 |
| 3.1 引言 | 第47-48页 |
| 3.2 基于Bloch球面坐标的量子衍生布谷鸟算法BQCS | 第48-58页 |
| 3.2.1 引言 | 第48-49页 |
| 3.2.2 量子衍生布谷鸟算法 | 第49-54页 |
| 3.2.3 算法具体步骤 | 第54-55页 |
| 3.2.4 算法收敛性分析 | 第55-56页 |
| 3.2.5 算法性能验证及分析 | 第56-58页 |
| 3.3 基于正交交叉的量子衍生布谷鸟算法DQQCS | 第58-70页 |
| 3.3.1 引言 | 第58-59页 |
| 3.3.2 正交交叉设计 | 第59-61页 |
| 3.3.3 正交交叉的量子布谷鸟算法 | 第61-66页 |
| 3.3.4 算法具体步骤 | 第66-67页 |
| 3.3.5 算法性能验证及分析 | 第67-70页 |
| 3.4 量子衍生布谷鸟算法在过程神经网络训练中的应用 | 第70-73页 |
| 3.5 量子衍生布谷鸟算法在页岩多矿物组分反演中的应用 | 第73-78页 |
| 3.5.1 简化体积模型 | 第75页 |
| 3.5.2 测井响应方程 | 第75-76页 |
| 3.5.3 实验对比分析 | 第76-78页 |
| 3.6 本章小结 | 第78-80页 |
| 第四章 固定型极限过程神经网络的研究及TOC预测应用 | 第80-102页 |
| 4.1 引言 | 第80-81页 |
| 4.2 固定型极限过程神经网络FE-PNN | 第81-88页 |
| 4.2.1 引言 | 第81页 |
| 4.2.2 过程神经元网络 | 第81-83页 |
| 4.2.3 FE-PNN学习算法 | 第83-86页 |
| 4.2.4 FE-PNN的算法步骤 | 第86页 |
| 4.2.5 FE-PNN的收敛性分析 | 第86-88页 |
| 4.3 固定型进化极限过程神经网络OFE-PNN | 第88-91页 |
| 4.3.1 引言 | 第88页 |
| 4.3.2 OFE-PNN学习算法 | 第88-89页 |
| 4.3.3 OFE-PNN的算法步骤 | 第89-90页 |
| 4.3.4 OFE-PNN的收敛性分析 | 第90-91页 |
| 4.4 FE-PNN和OFE-PNN的复杂度分析 | 第91-92页 |
| 4.5 FE-PNN和OFE-PNN的性能验证及分析 | 第92-96页 |
| 4.5.1 仿真实验 | 第92-95页 |
| 4.5.2 实验对比分析 | 第95-96页 |
| 4.6 FE-PNN和OFE-PNN在页岩TOC预测中的应用 | 第96-101页 |
| 4.6.1 TOC与测井曲线的相关性分析 | 第97-98页 |
| 4.6.2 TOC预测仿真实验 | 第98-101页 |
| 4.6.3 实验对比分析 | 第101页 |
| 4.7 本章小结 | 第101-102页 |
| 第五章 自适应型极限过程神经网络的研究及TOC预测应用 | 第102-127页 |
| 5.1 引言 | 第102-103页 |
| 5.2 增量极限过程神经网络IE-PNN | 第103-109页 |
| 5.2.1 增量型极限学习机介绍 | 第103-104页 |
| 5.2.2 IE-PNN的隐层节点相关性判别 | 第104-106页 |
| 5.2.3 IE-PNN的新增节点权值优化 | 第106-107页 |
| 5.2.4 IE-PNN的算法步骤 | 第107-108页 |
| 5.2.5 IE-PNN的收敛性分析 | 第108-109页 |
| 5.3 剪枝极限过程神经网络PE-PNN | 第109-116页 |
| 5.3.1 剪枝型极限学习机介绍 | 第109-110页 |
| 5.3.2 PE-PNN的隐层节点相关性 | 第110-112页 |
| 5.3.3 PE-PNN的隐层节点敏感度 | 第112-113页 |
| 5.3.4 PE-PNN的二进制布谷鸟优化 | 第113-115页 |
| 5.3.5 PE-PNN的算法步骤 | 第115-116页 |
| 5.4 IE-PNN和PE-PNN的复杂度分析 | 第116-117页 |
| 5.5 IE-PNN和PE-PNN的性能验证及分析 | 第117-123页 |
| 5.5.1 仿真实验 | 第117-122页 |
| 5.5.2 实验对比分析 | 第122-123页 |
| 5.6 IE-PNN和PE-PNN在TOC预测中的应用 | 第123-126页 |
| 5.7 本章小结 | 第126-127页 |
| 第六章 集成型极限脊波过程神经网络的研究及岩性识别应用 | 第127-150页 |
| 6.1 引言 | 第127-128页 |
| 6.2 脊波过程神经网络RPNN | 第128-133页 |
| 6.2.1 脊波变换介绍 | 第128-129页 |
| 6.2.2 脊波过程神经网络模型 | 第129-130页 |
| 6.2.3 梯度下降学习算法BP-RPNN | 第130-131页 |
| 6.2.4 极限学习算法E-RPNN | 第131-133页 |
| 6.3 集成型极限脊波过程神经网络AE-RPNN | 第133-136页 |
| 6.3.1 Adaboost算法介绍 | 第133-134页 |
| 6.3.2 AE-RPNN模型的学习算法 | 第134-136页 |
| 6.4 AE-RPNN的复杂度分析 | 第136页 |
| 6.5 AE-RPNN的性能验证及分析 | 第136-141页 |
| 6.5.1 学习参数设置 | 第137-138页 |
| 6.5.2 工况诊断对比和分析 | 第138-141页 |
| 6.6 AE-RPNN在页岩岩性识别中的应用 | 第141-149页 |
| 6.6.1 样本集选取 | 第141-143页 |
| 6.6.2 测井曲线PCA特征选取 | 第143-145页 |
| 6.6.3 AE-RPNN的岩性识别 | 第145-149页 |
| 6.7 本章小结 | 第149-150页 |
| 第七章 基于智能模型的页岩油测井评价应用 | 第150-172页 |
| 7.1 大民屯凹陷地质概况 | 第150-154页 |
| 7.1.1 基本地质特征 | 第150-153页 |
| 7.1.2 页岩油生成条件 | 第153-154页 |
| 7.2 基于量子衍生布谷鸟算法的地层矿物组分反演 | 第154-159页 |
| 7.2.1 矿物组分反演方案设计 | 第154-156页 |
| 7.2.2 矿物组分反演对比实验 | 第156-158页 |
| 7.2.3 矿物组分反演结果分析 | 第158-159页 |
| 7.3 基于极限过程神经网络的总有机碳含量TOC预测 | 第159-164页 |
| 7.3.1 TOC预测方案设计 | 第159-161页 |
| 7.3.2 TOC预测对比实验 | 第161-163页 |
| 7.3.3 TOC预测结果分析 | 第163-164页 |
| 7.4 基于极限过程神经网络的页岩岩性识别 | 第164-171页 |
| 7.4.1 岩性识别方案设计 | 第165-167页 |
| 7.4.2 岩性识别对比实验 | 第167-170页 |
| 7.4.3 岩性识别结果分析 | 第170-171页 |
| 7.5 本章小结 | 第171-172页 |
| 结论 | 第172-173页 |
| 参考文献 | 第173-187页 |
| 发表文章目录 | 第187-188页 |
| 攻读博士学位期间参加的科研项目 | 第188-189页 |
| 致谢 | 第189-190页 |
