共查询到18条相似文献，搜索用时 140 毫秒
1.
ＢＰ神经网络技术以其强大的学习能力已广泛应用于许多领域,取得了很好效果。但当不具备已知样本时,该技术很难应用。本文采用改进的自组织神经网络,对测井资料进行自动岩相识别,并在松辽盆地进行了实际应用。通过与已知资料对比,证实该方法是一种有效的岩相自动识别方法,具有良好的应用前景。 相似文献
2.
基于模糊神经网络的油气综合评判方法研究 总被引：2，自引：1，他引：1
杜江 《物探化探计算技术》1999,21(1):49-53
针对常规模式识别方法进行油气预测时,存在样本数量大、参数非线性及已知样本数类型分类有明显的模糊性等特点。本文根据神经网络的自适应谐振理论结合模糊Ｋ均值聚类算法、特征参数非线性映射的有效性校验,构成了一个性能完善的地震参数油气预测系统。该系统对样本特征空间用模糊神经网络建立未知样本的预测度量,更加符合客观地质特征和油气分布规律,从而能判别油气富集的有利区域。数值分析和实践应用表明,该方法数值稳定可靠 相似文献
3.
杜江 《物探化探计算技术》1999,21(1)
针对常规模式识别方法进行油气预测时,存在样本数量大、参数非线性及已知样本数类型分类有明显的模糊性等特点。本文根据神经网络的自适应谐振理论（ＡｄａｐｔｉｖｅＲｅｓｏｎａｎｃｅＴｈｅｏｒｙ）结合模糊Ｋ均值聚类算法、特征参数非线性映射的有效性校验,构成了一个性能完善的地震参数油气预测系统。该系统对样本特征空间用模糊神经网络建立未知样本的预测度量,更加符合客观地质特征和油气分布规律,从而能判别油气富集的有利区域。数值分析和实践应用表明,该方法数值稳定可靠,在储层油气预测方面有较好的效果 相似文献
4.
若尔盖高原地物遥感分类 总被引：2，自引：0，他引：2
各种物质在遥感数据中都有其特征的波谱吸收峰。因此通过波谱识别就可以大大减少以往遥感分类方法中的漏分及混分现象。为了解决若尔盖高原地物遥感分类问题,首次对本区ETM多光谱融合数据采用了地物波谱角分类法进行地物识别。分类步骤:遥感数据定标→选择训练区样本→MNF变换减维去噪处理→利用纯净像元指数(PPI)进行样本提纯→利用n-D散度法进行样本重组→波谱角分类(SAM).其分类结果表明,类别精度评价总精度为0.806,kappa系数为0.785.其精度均符合1:5万比例尺的土地详查工作的技术要求。 相似文献
5.
应用模式识别技术中主成分分析、非线性映照及最小生成树法,对取自我国各地90个铁帽样本进行判别分类。分析铁帽样本化学组分含量(MnO,P_2O_5,S,Cu,Zn,Pb,Ni,Co,Ag,Ba,Sr,Cr等),取其数据张成为多维空间。在模式空间中,三类铁帽样本(分属氧化物矿床、硫化物矿床及菱铁矿矿床)分布在不同区域,分类正确率达96％,预报了25个铁帽样本的属性,经相分析证实是正确的。这一方法根据地表浅层样品分析数据判断地下矿床种类,为有色金属找矿提供了有用的信息。 相似文献
6.
7.
岩性是表征储油物性、建立各类地质模型的重要参数,其与测井参数的函数关系很复杂。基于支持向量机一类对一类法对岩性识别分类精度不高的现状,结合二叉树法初始分类精度较高、分类速度快等优点,提出了一种新的组合方法——一类对一类法与二叉树法的结合应用。该方法对样本数据较少的类别设置权重系数,减少样本不平衡的影响,并利用几何平均准确率作为评价岩心识别效果的指标,其对岩性的分类效果远优于单一方法。具体步骤为:首先对不均衡的样本设置相应的权重系数,然后利用二叉树法将易于与砂泥岩区分的灰岩区分开来,再利用一对一分类法将剩下的砂泥岩样本进行分类。运用此方法对某油田测井数据进行岩性分类,分类的整体准确率以及几何平均准确率均有很大的提高。 相似文献
8.
面向对象的喀斯特地区土地利用遥感分类信息提取 总被引：1，自引：0，他引：1
传统的面向像元分类方法虽然对光谱差异较为明显的遥感影像信息提取具有较好的效果,但会不可避免地产生“椒盐现象”,同时对纹理和形状信息不能充分应用,造成了大量信息损失。为了提高喀斯特地区土地利用遥感信息提取的精度,本文采用面向对象的分类方法,对贵州省毕节地区开展了土地利用遥感信息自动提取研究。首先对该地区Landsat-5 TM影像进行多尺度分割,形成影像对象层,然后综合应用基于知识决策树分类和基于样本的最邻近分类等技术对喀斯特地区进行遥感解译。结果表明,面向对象分类技术能较好地对喀斯特地区土地利用信息进行提取,同时避免了“椒盐现象”的产生,经野外采集样点数据验证,一级类分类精度为91.7 %,二级类分类精度为89.4 %,表明该方法在贵州省毕节地区应用效果良好。 相似文献
9.
10.
基于大数据的基性-超基性岩定量分类及成矿预测研究——以北山地区为例 总被引：2，自引：2，他引：0
岩浆岩分类是研究岩浆岩成因及其成矿作用的基础,传统的岩浆岩二维图解分类方法,因仅有个别元素参与分类、岩石矿物学定名无法保证统一性等因素,其分类结果不够精确。本文基于地质大数据研究基本思想、方法,应用多元统计"聚类分析"和"判别分析"的算法,分别构建起"北山地区基性-超基性岩氧化物定量分类系列模型"和"北山地区基性-超基性岩氧化物+微量元素定量分类系列模型"。前者将北山地区406件基性-超基性岩样本,在10个氧化物变量空间分为2大类共9个小类,其中89%的含矿样本分布在占总样本量44%的3个小类中。后者将北山地区266件基性-超基性岩样本,在34个氧化物及微量元素变量空间分为2大类共8个小类,其中98%的含矿样本分布在占总样本量33%的2个小类中,且81%的含矿样本分布在仅占总样本量21%的Ⅰ222分类中,在该分类中含矿样本数占该分类样本的61%,则有理由认为剩余39%的样本所在岩体为找矿的有利岩体。上述二个模型分类结果中含矿样本对定量分类的高度选择性,充分证明所建定量分类系列模型对北山地区基性-超基性岩成矿岩体分类的高度有效性,为北山地区基性-超基性岩成矿岩体预测研究提供了依据。 相似文献
12.
BP人工神经网络油气圈闭评价 总被引：2，自引：0，他引：2
以误差反向传播学习算法为模型,地表油气化探组合指标为导师训练信号,已知工业油气流产出点、油气显示和干井（无油气）产出点,相应的希望输出信号为１．０～０．０之间,在导师信号引导下进行网络联想记忆自学习,训练成熟后对预测区进行含油气远景圈闭评价,对胜利油田ＪＹＨＭ凹陷进行了实际应用研究,取得了较好的识别圈闭效果。 相似文献
13.
《地学前缘(英文版)》2020,11(6):1993-2001
Similar to many fields of sciences, recent deep learning advances have been applied extensively in geosciences for both small- and large-scale problems. However, the necessity of using large training data and the ‘black box’ nature of learning have limited them in practice and difficult to interpret. Furthermore, including the governing equations and physical facts in such methods is also another challenge, which entails either ignoring the physics or simplifying them using unrealistic data. To address such issues, physics informed machine learning methods have been developed which can integrate the governing physics law into the learning process. In this work, a 1-dimensional (1D) time-dependent seismic wave equation is considered and solved using two methods, namely Gaussian process (GP) and physics informed neural networks. We show that these meshless methods are trained by smaller amount of data and can predict the solution of the equation with even high accuracy. They are also capable of inverting any parameter involved in the governing equation such as wave velocity in our case. Results show that the GP can predict the solution of the seismic wave equation with a lower level of error, while our developed neural network is more accurate for velocity (P- and S-wave) and density inversion. 相似文献
14.
应用神经网络的理论和方法,预测了自贡市目标规划年的需水量,并由此完成对自贡市水资源远景状况的评价及开发规模的研究 相似文献
15.
16.
17.
地下水资源在世界各国水资源中占有举足轻重的地位,对人类生存发展、维系生态系统健康发挥着重要作用。现阶段地下水污染日益严重,地下水环境背景值研究和污染风险评价对地下水污染防治工作具有重要意义。由于地下水污染影响因素复杂,地下水化学组分空间分布的非均质性、地下水样品采集的小样本问题与大尺度区域的高计算代价,都对传统的污染风险评价方法构成了极大挑战。机器学习作为人工智能的核心,已成为水文地质领域研究的前沿热点,通过智能高效的数据处理和挖掘,在地下水化学组分的分布、变化以及赋存机制等方向已得到探索和尝试。本文全面介绍了近年来在地下水污染研究方面应用的机器学习方法,涵盖了以聚类为主的非监督学习算法,以回归为主的监督学习算法,以提升算法效率为目标的混合算法,以及以神经网络为核心的深度结构算法,展示了不同类型算法在地下水污染研究方面的成果,详细归纳了各种算法的机理,对算法的技术优劣及适用方向进行了探讨;最后对机器学习在地下水污染方面的应用发展趋势进行了展望,建议探索高效集成学习模型,以弥补单一算法的不足,同时发展面向小样本的深度学习建模技术,提高地下水污染评价精度,拓展和丰富新方法新技术在地下水污染研究方面的应用。 相似文献