| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-12页 |
| 第1章 绪论 | 第12-25页 |
| 1.1 课题背景及研究意义 | 第12-16页 |
| 1.1.1 离散过程神经网络的研究意义 | 第12-13页 |
| 1.1.2 智能优化算法的研究意义 | 第13-14页 |
| 1.1.3 油气储集层识别方法的研究意义 | 第14-16页 |
| 1.2 国内外研究现状分析 | 第16-24页 |
| 1.2.1 过程神经网络研究现状 | 第16-18页 |
| 1.2.2 智能优化算法研究现状 | 第18-21页 |
| 1.2.3 储层识别的研究现状 | 第21-24页 |
| 1.3 本文的主要研究内容 | 第24-25页 |
| 第2章 相关理论基础 | 第25-33页 |
| 2.1 引言 | 第25页 |
| 2.2 人工神经元网络 | 第25-29页 |
| 2.2.1 生物神经元 | 第25-27页 |
| 2.2.2 神经元的数学模型 | 第27页 |
| 2.2.3 前馈神经元网络模型 | 第27-29页 |
| 2.3 量子计算基础 | 第29-32页 |
| 2.3.1 向量空间与希尔伯特空间 | 第29-30页 |
| 2.3.2 线性算子与酉矩阵 | 第30-31页 |
| 2.3.3 量子比特的内积外积张量积 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 离散过程神经网络算法 | 第33-66页 |
| 3.1 引言 | 第33页 |
| 3.2 过程神经网络模型 | 第33-34页 |
| 3.2.1 过程神经元模型 | 第33-34页 |
| 3.2.2 过程神经网络模型 | 第34页 |
| 3.3 基于分段线性插值的PNN算法 | 第34-41页 |
| 3.3.1 分段线性插值 | 第34-35页 |
| 3.3.2 分段线性插值PNN算法 | 第35-36页 |
| 3.3.3 算法描述 | 第36-37页 |
| 3.3.4 对比实验 | 第37页 |
| 3.3.5 在水淹层识别中的应用 | 第37-41页 |
| 3.4 基于数值积分的PNN算法 | 第41-47页 |
| 3.4.1 三次样条积分 | 第41页 |
| 3.4.2 抛物插值积分 | 第41-42页 |
| 3.4.3 两种离散PNN算法 | 第42-43页 |
| 3.4.4 基于L-M算法的网络训练 | 第43-44页 |
| 3.4.5 在油层识别中的应用 | 第44-47页 |
| 3.5 基于数值积分的多聚合PNN算法 | 第47-56页 |
| 3.5.1 复合梯形公式 | 第47-48页 |
| 3.5.2 复合辛普森公式 | 第48页 |
| 3.5.3 多聚合过程神经网络模型 | 第48-49页 |
| 3.5.4 基于数值积分的MAPNN算法 | 第49-51页 |
| 3.5.5 对比试验 | 第51-54页 |
| 3.5.6 在油层识别中的应用 | 第54-56页 |
| 3.6 基于序列逐点映射的PNN算法 | 第56-65页 |
| 3.6.1 序列过程神经元模型 | 第56-57页 |
| 3.6.2 序列过程神经网络模型 | 第57页 |
| 3.6.3 序列过程神经网络算法 | 第57-58页 |
| 3.6.4 对比实验 | 第58-63页 |
| 3.6.5 在油层识别中的应用 | 第63-65页 |
| 3.7 本章小结 | 第65-66页 |
| 第4章 量子衍生离散过程神经网络 | 第66-76页 |
| 4.1 引言 | 第66页 |
| 4.2 量子比特及量子门概述 | 第66-68页 |
| 4.2.1 量子比特 | 第66页 |
| 4.2.2 单比特量子旋转门 | 第66-67页 |
| 4.2.3 多比特受控非门 | 第67-68页 |
| 4.3 量子衍生离散过程神经网络模型 | 第68-70页 |
| 4.3.1 量子衍生离散过程神经元模型 | 第68-69页 |
| 4.3.2 量子衍生离散过程神经网络模型 | 第69-70页 |
| 4.4 量子衍生离散过程神经网络算法 | 第70-71页 |
| 4.4.1 离散样本的量子态描述 | 第70页 |
| 4.4.2 网络各层参数的调整 | 第70-71页 |
| 4.4.3 网络模型的计算复杂度 | 第71页 |
| 4.5 在油层识别中的应用 | 第71-75页 |
| 4.5.1 定义评价指标 | 第72-73页 |
| 4.5.2 识别结果对比 | 第73-74页 |
| 4.5.3 实验结果分析 | 第74-75页 |
| 4.6 本章小结 | 第75-76页 |
| 第5章 基于改进QPSO的离散PNN训练算法 | 第76-92页 |
| 5.1 引言 | 第76页 |
| 5.2 量子行为粒子群算法 | 第76-78页 |
| 5.2.1 基本PSO模型 | 第76-77页 |
| 5.2.2 量子行为PSO模型 | 第77-78页 |
| 5.3 改进的量子行为粒子群算法 | 第78-80页 |
| 5.4 对改进QPSO性能的仿真验证 | 第80-86页 |
| 5.4.1 测试函数 | 第80-81页 |
| 5.4.2 参数设置 | 第81页 |
| 5.4.3 优化结果对比 | 第81-86页 |
| 5.5 基于改进QPSO的离散PNN训练仿真 | 第86-89页 |
| 5.5.1 网络参数 | 第86-87页 |
| 5.5.2 样本数据 | 第87页 |
| 5.5.3 算法设置 | 第87页 |
| 5.5.4 训练结果对比 | 第87-89页 |
| 5.6 基于改进QPSO的离散PNN在油层识别中的应用 | 第89-91页 |
| 5.7 本章小结 | 第91-92页 |
| 第6章 离散卷积过程神经网络算法 | 第92-104页 |
| 6.1 引言 | 第92页 |
| 6.2 离散卷积的定义及性质 | 第92-94页 |
| 6.2.1 离散卷积的定义 | 第92-93页 |
| 6.2.2 离散卷积的性质 | 第93-94页 |
| 6.3 离散卷积过程神经网络模型 | 第94-96页 |
| 6.3.1 离散卷积过程神经元 | 第94-95页 |
| 6.3.2 离散卷积过程神经网络 | 第95-96页 |
| 6.4 基于L-M的DCPNN算法 | 第96-97页 |
| 6.5 基于引力搜索的DCPNN算法 | 第97-100页 |
| 6.5.1 引力搜索算法 | 第97-99页 |
| 6.5.2 基于GSA的DCPNN训练算法 | 第99-100页 |
| 6.6 在油层识别中的应用 | 第100-103页 |
| 6.6.1 定义评价指标 | 第100-102页 |
| 6.6.2 识别结果对比 | 第102-103页 |
| 6.7 本章小结 | 第103-104页 |
| 第7章 基于离散过程神经网络的储层识别方法 | 第104-114页 |
| 7.1 引言 | 第104页 |
| 7.2 广安气田地质概况 | 第104-105页 |
| 7.3 储层基本特征 | 第105-107页 |
| 7.3.1 物性特征 | 第105页 |
| 7.3.2 孔隙结构特征 | 第105-107页 |
| 7.4 储层分类识别 | 第107-113页 |
| 7.4.1 指标集构造 | 第107-108页 |
| 7.4.2 矿场资料数据 | 第108-110页 |
| 7.4.3 识别方案设计 | 第110-111页 |
| 7.4.4 识别结果对比 | 第111-113页 |
| 7.4.5 识别结果分析 | 第113页 |
| 7.5 本章小结 | 第113-114页 |
| 结论 | 第114-115页 |
| 参考文献 | 第115-122页 |
| 攻读博士学位期间发表的论文 | 第122-123页 |
| 致谢 | 第123页 |