| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本课题研究内容及结构 | 第12-14页 |
| 1.3.1 研究内容和组织结构 | 第12-13页 |
| 1.3.2 本文创新点 | 第13-14页 |
| 第2章 测井岩性识别方法 | 第14-26页 |
| 2.1 基于支持向量机的岩性识别方法 | 第14-22页 |
| 2.1.1 支持向量机原理 | 第14-18页 |
| 2.1.2 支持向量机岩性识别过程 | 第18-22页 |
| 2.2 基于人工神经网络的岩性识别方法 | 第22-25页 |
| 2.2.1 人工神经网络原理 | 第22-24页 |
| 2.2.2 人工神经网络岩性识别过程 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 SVM和ANN融合算法的研究 | 第26-47页 |
| 3.1 SVM和ANN融合的方法与过程 | 第26-28页 |
| 3.1.1 融合算法的方法 | 第26页 |
| 3.1.2 融合算法的过程 | 第26-28页 |
| 3.2 SVM和ANN融合算法 | 第28-46页 |
| 3.2.1 融合算法的寻优模型 | 第29-32页 |
| 3.2.2 融合算法的适应性处理过程 | 第32-38页 |
| 3.2.3 融合算法中核函数的寻优 | 第38-45页 |
| 3.2.4 融合算法模型 | 第45-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第4章 SVM和ANN融合算法在岩性识别中的应用 | 第47-65页 |
| 4.1 SVM和ANN融合算法在测井岩性中的识别 | 第47-59页 |
| 4.1.1 融合算法在测井岩性中的实验过程 | 第47-55页 |
| 4.1.2 融合算法在测井岩性中的实验结果 | 第55-59页 |
| 4.2 融合算法与遗传支持向量机算法的对比实验结果与分析 | 第59-64页 |
| 4.3 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-66页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 硕士期间研究成果 | 第70页 |