基于ACO优化SVM在测井岩性识别中的研究
| 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9-16页 |
| 1.1 测井岩性识别的背景与意义 | 第9页 |
| 1.2 蚁群算法的发展状况 | 第9-11页 |
| 1.3 支持向量机的理论及其发展状况 | 第11-13页 |
| 1.4 基于蚁群算法的支持向量机的发展现状 | 第13-14页 |
| 1.5 支持向量机在测井岩性识别中的研究现状 | 第14-15页 |
| 1.6 本文内容的结构安排 | 第15-16页 |
| 第二章 蚁群优化算法 | 第16-23页 |
| 2.1 引言 | 第16页 |
| 2.2 蚁群算法的基本原理 | 第16-20页 |
| 2.2.1 蚁群算法的概述 | 第16-18页 |
| 2.2.2 蚁群算法的数学表达 | 第18-19页 |
| 2.2.3 蚁群算法的流程图 | 第19-20页 |
| 2.2.4 三种不同的蚁群算法信息素调整模型 | 第20页 |
| 2.3 蚁群算法的特点 | 第20-21页 |
| 2.4 蚁群算法的发展 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 支持向量机基本原理 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 统计学理论基础 | 第23-26页 |
| 3.2.1 从机器学习到经验风险 | 第23-24页 |
| 3.2.2 推广性的界 | 第24页 |
| 3.2.3 VC维理论 | 第24-25页 |
| 3.2.4 结构风险最小化理论 | 第25-26页 |
| 3.3 支持向量机理论 | 第26-28页 |
| 3.3.1 SVM思想 | 第26-27页 |
| 3.3.2 线性可分问题 | 第27页 |
| 3.3.3 线性不可分的问题 | 第27-28页 |
| 3.4 支持向量分类机 | 第28-30页 |
| 3.5 支持向量机方法的特点 | 第30页 |
| 3.6 核函数 | 第30-32页 |
| 3.6.1 不同的核函数 | 第30-31页 |
| 3.6.2 核函数的选取方法 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第四章 蚁群算法优化支持向量机 | 第33-44页 |
| 4.1 引言 | 第33页 |
| 4.2 优化支持向量机参数方法 | 第33-35页 |
| 4.2.1 网格搜索法 | 第33页 |
| 4.2.2 线性搜索算法 | 第33页 |
| 4.2.3 穷举法 | 第33-34页 |
| 4.2.4 遗传算法 | 第34页 |
| 4.2.5 粒子群算法 | 第34-35页 |
| 4.2.6 蚁群算法 | 第35页 |
| 4.3 优化支持向量机参数的方法 | 第35-37页 |
| 4.3.1 交叉验证法 | 第35页 |
| 4.3.2 蚁群算法 | 第35-37页 |
| 4.4 仿真实验 | 第37-43页 |
| 4.4.1 数据源 | 第37-41页 |
| 4.4.2 参数设置 | 第41页 |
| 4.4.3 实验结果与分析 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 岩性模式识别 | 第44-57页 |
| 5.1 引言 | 第44页 |
| 5.2 模式识别理论 | 第44-45页 |
| 5.2.1 模式识别的相关概念 | 第44页 |
| 5.2.2 模式识别基本原理 | 第44-45页 |
| 5.3 岩性模式识别的方法 | 第45-46页 |
| 5.4 支持向量机的改进 | 第46-56页 |
| 5.4.1 对样本的训练集进行预处理 | 第46-49页 |
| 5.4.2 对SVM进行改进 | 第49-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表文章目录 | 第62-63页 |
| 致谢 | 第63-64页 |
