| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 课题来源及创新点应用 | 第10-11页 |
| 1.3 论文组织结构及主要工作 | 第11-12页 |
| 第二章 预测模型的理论研究与现状 | 第12-21页 |
| 2.1 预测模型理论研究 | 第12-16页 |
| 2.1.1 预测模型理论研究与现状 | 第12-13页 |
| 2.1.2 预测模型构建与优化 | 第13-15页 |
| 2.1.3 预测模型性能评估 | 第15-16页 |
| 2.2 大数据环境下预测模型的理论研究 | 第16-20页 |
| 2.2.1 大数据环境下预测模型的研究现状 | 第16-17页 |
| 2.2.2 大数据环境下预测模型构建的过程 | 第17-18页 |
| 2.2.3 大数据环境下预测模型的构建方法 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 高斯过程回归理论及其改进分析 | 第21-29页 |
| 3.1 高斯过程基本理论 | 第21-23页 |
| 3.1.1 贝叶斯理论 | 第21-22页 |
| 3.1.2 高斯过程 | 第22-23页 |
| 3.2 高斯过程回归模型预测过程 | 第23-26页 |
| 3.2.1 高斯过程回归 | 第23-25页 |
| 3.2.2 高斯过程回归建模 | 第25-26页 |
| 3.3 高斯过程回归模型的缺陷及改进 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 BP人工神经网络理论及其预测模型 | 第29-42页 |
| 4.1 人工神经网络基本理论 | 第29-35页 |
| 4.1.1 人工神经网络概念及发展 | 第29-30页 |
| 4.1.2 人工神经网络模型及应用 | 第30-35页 |
| 4.2 BP神经网络基本理论 | 第35-37页 |
| 4.2.1 BP神经网络的概念及模型 | 第35-36页 |
| 4.2.2 BP神经网络特点及应用 | 第36-37页 |
| 4.3 BP神经网络模型 | 第37-40页 |
| 4.3.1 BP神经网络学习过程 | 第37-38页 |
| 4.3.2 BP神经网络算法分析 | 第38-40页 |
| 4.4 BP神经网络模型预测模型 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 基于PWGB预测模型自动化构建及应用 | 第42-58页 |
| 5.1 基于主成分分析的数据处理 | 第42-44页 |
| 5.1.1 主成分分析的基本理论 | 第42-43页 |
| 5.1.2 主成分分析算法原理 | 第43-44页 |
| 5.2 PWGB预测模型模型分析 | 第44-46页 |
| 5.2.1 高斯过程回归模型与BP神经网络模型的优缺点 | 第44-45页 |
| 5.2.2 PWGB预测模型的合理性分析 | 第45-46页 |
| 5.3 PWGB模型的结构及原理 | 第46-47页 |
| 5.4 PWGB模型在油田产量预测中的应用一 | 第47-53页 |
| 5.4.1 PWGB模型在油田产量预测中的应用一 | 第48-52页 |
| 5.4.2 PWGB模型评价 | 第52-53页 |
| 5.5 PWGB模型在油田产量预测中的应用二 | 第53-57页 |
| 5.5.1 PWGB模型在油田产量预测中的应用二 | 第53-55页 |
| 5.5.2 PWGB模型评价 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 总结 | 第58-59页 |
| 工作展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间取得的学术成果 | 第65-66页 |
| 致谢 | 第66页 |