共查询到20条相似文献,搜索用时 12 毫秒
1.
本文运用伏特拉核函数基本理论,建立了南桐矿区红岩煤矿矿井涌水量的非线性核函数模型,介绍了计算核函数模型所用的递归算法。同时对模拟结果的残差进行了分析,并用AR模型进行了改进。 相似文献
2.
基于混合核函数PSO-LSSVM的边坡变形预测 总被引:2,自引:0,他引:2
支持向量机(SVM)的核函数类型和超参数对边坡位移时序预测的精度有重要影响。鉴于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入粒子群算法(PSO)对最小二乘支持向量机(LSSVM)超参数进行全局寻优,提出了边坡位移时序预测的混合核函数PSO-LSSVM模型。将模型应用于锦屏一级水电站左岸岩石高边坡变形预测分析,并与传统核函数支持向量机预测结果进行对比分析。结果表明,该模型较传统方法在预测精度上有了明显提高,预测结果科学可靠,在边坡位移时序预测中具有良好的实际应用价值。 相似文献
3.
本文在研究核函数理论的基础上,建立了岩溶水系统线性、非线性核函数模型,运用多目标线性、非线性规划识别核函数模型,并编制了相应的程序,把这一理论及模型运用到赵各庄矿坑涌水量预测中,获得了较满意的模拟,预测结果。 相似文献
4.
膨胀土的胀缩等级判定对膨胀土地区工程建设具有重要的意义。为此,本文提出了一种基于支持向量回归机(SVR)模型的膨胀土胀缩等级预测方法。基于肯尼亚“蒙内铁路”沿线膨胀土的土工试验数据,以土体自由膨胀率作为预测目标,构建了包含两种不同预测指标体系的膨胀土胀缩等级预测模型。模型I以液限、塑限、塑性指数、3种不同粒径的颗粒含量(< 0.075、0.075~0.25、0.25~0.5)、土的类型为输入参数,模型II以液限、塑限、塑性指数、粒径< 0.075的颗粒含量、土的类型为预测参数。两个模型在预测时采用Linear、Polynomial、RBF和Sigmoid核函数进行训练。结果表明:(1)当预测采样次数达到1000次时,训练模型均趋于稳定;(2)整体而言,模型I的预测精度要优于模型II,模型I中采用RBF核函数建立的模型给出了最高准确率86.6%,其次为Linear核函数(准确率82.9%)和Sigmoid和函数(准确率75.1%)。模型II中采用RBF核函数建立的模型给出了最高准确率77.4%,其次为Linear核函数(准确率74.3%)和Sigmoid和函数(准确率72.9%);(3)采用Linear函数、Sigmoid函数和RBF函数作为核函数模型对44组未知胀缩等级的土样预测时,模型I中三者预测结果相同的数量占比为73%,其余组土样的预测胀缩等级相同或相邻,不存在“越级”现象,模型II中三者预测结果相同的数量占比为68%,不存在“越级”现象。最后,通过与模糊层次分析法评价结果对比,进一步证明了本文研究结果可为肯尼亚等类似地区工程建设中膨胀土的胀缩等级预测和处理提供依据。 相似文献
5.
6.
针对点质量核径向基函数应用于局部重力场建模中的设计矩阵严重病态问题,本文引入Tikhonov正则化方法对传统点质量核径向基函数方程进行改造,建立了相应的正则化模型。通过模拟数据进行仿真实验,以传统格网化方法作为对比试验,利用"标靶法"确定两种模型的最优结构。实验结果表明:正则化点质量核径向基函数可以直接利用离散数据进行局部重力场建模。在两种模型的最优结构下,当实测数据无污染时,正则化方法达到与传统格网化方法相当的精度;当实测值中加入3 mGal的高斯白噪声时,正则化方法的精度获得了27.9%的提升。这说明本文方法可以应用于局部重力场建模中,且模型结构更优,抗干扰能力更强。 相似文献
7.
为了更快、更准确地进行瞬变电磁一维正、反演,研究了中心回线装置计算全区视电阻率的平移算法和核函数算法。研究表明,均匀半空间大定源回线的瞬变响应曲线具有平移伸缩特性和核函数特点,可以运用平移算法和核函数算法计算。推导出全区视电阻率的计算公式,通过三层K型、4层KH型地电模型理论计算,对比分析了平移算法和核函数算法的运算速度和误差,结果表明:平移算法的运算速度为0.140 6 s,均方根误差为1.824×10-2,核函数算法的运算速度为3.241 8 s,均方根误差为0.728×10-2,两种方法均能计算大定源回线的全区视电阻率,各有优缺点。 相似文献
8.
9.
10.
谱分解技术作为一种解释性处理技术得到了地质、地球物理工作者的广泛关注,如何有效地利用其分频显示功能进行油气检测也成为人们关注的一个焦点。利用Wigner高阶谱具有高时频聚集性的特点,提出了一种基于改进核函数的Wigner双谱对角切片的谱分解技术。即在分析指数型核函数与锥形核函数优缺点的基础上,给出了改进的新核函数,进而采用模糊域核函数滤波法抑制Wigner双谱对角切片的交叉项,并解决了Wigner双谱对角切片的模糊函数中心点校正问题。通过对新的核函数交叉项抑制能力的数值模拟,验证新的核函数对时延轴上的交叉项也能抑制。最后对实际地震数据进行了分频处理,在20 Hz低频剖面内的油气有利区表现为强能量显示,与井的钻遇结果一致。 相似文献
11.
针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别.该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别.由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能.将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法. 相似文献
12.
13.
研究聚类分析新方法一直是统计学和机器学习研究领域普遍关注的课题。针对概率距离聚类算法不能解决非线性可分聚类问题的缺欠,笔者应用核函数理论将该模型拓展成为一种能够解决非线性可分聚类问题的统计模型,称为核概率距离聚类分析模型。研制出一种应用新模型进行遥感图像非监督分类研究的实施策略和可行算法;在GDAL遥感图像数据输入输出函数库基础上,用VC++语言开发了遥感图像核概率距离聚类分析算法程序;用ERDAS软件提供的一幅7波段491像素×440像素大小的TM图像进行新方法分类应用实验研究。对比了新模型和其原版本的TM遥感图像非监督分类效果,结果表明新模型的非监督分类效果优于原有的分类模型。 相似文献
14.
一种基于核学习的储集层渗透率预测新方法 总被引:2,自引:1,他引:2
基于核学习的支持向量机,是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法,具有完备的理论基础。这里提出了核学习技术在储集层非均质特性描述中渗透率参数预测的新用途。在复杂地层中,基于支持向量机的智能和自适应模式识别能力而建立了常规测井多参数信息输入的渗透率预测模型,然后对实际油田储集层渗透率进行了预测。与常规线性回归模型预测结果相对比,所提出的方法更易于使用,很少受不确定因素的影响,并具有较强的信息整合能力以及更高的预测准确性和可信度。 相似文献
15.
16.
17.
18.
给出电阻率、激发极化法数据的二维有限元反演方法和原理 ,并将此方法用于高龙金矿电法勘探资料解释中 ,解释结果与已知地质资料基本吻合。由此证明 ,利用双线性模型进行二维反演的有效性及其独特的优点。 相似文献
19.
Kernel Principal Component Analysis for Efficient,Differentiable Parameterization of Multipoint Geostatistics 总被引:6,自引:5,他引:1
This paper describes a novel approach for creating an efficient, general, and differentiable parameterization of large-scale
non-Gaussian, non-stationary random fields (represented by multipoint geostatistics) that is capable of reproducing complex
geological structures such as channels. Such parameterizations are appropriate for use with gradient-based algorithms applied
to, for example, history-matching or uncertainty propagation. It is known that the standard Karhunen–Loeve (K–L) expansion,
also called linear principal component analysis or PCA, can be used as a differentiable parameterization of input random fields
defining the geological model. The standard K–L model is, however, limited in two respects. It requires an eigen-decomposition
of the covariance matrix of the random field, which is prohibitively expensive for large models. In addition, it preserves
only the two-point statistics of a random field, which is insufficient for reproducing complex structures.
In this work, kernel PCA is applied to address the limitations associated with the standard K–L expansion. Although widely
used in machine learning applications, it does not appear to have found any application for geological model parameterization.
With kernel PCA, an eigen-decomposition of a small matrix called the kernel matrix is performed instead of the full covariance
matrix. The method is much more efficient than the standard K–L procedure. Through use of higher order polynomial kernels,
which implicitly define a high-dimensionality feature space, kernel PCA further enables the preservation of high-order statistics
of the random field, instead of just two-point statistics as in the K–L method. The kernel PCA eigen-decomposition proceeds
using a set of realizations created by geostatistical simulation (honoring two-point or multipoint statistics) rather than
the analytical covariance function. We demonstrate that kernel PCA is capable of generating differentiable parameterizations
that reproduce the essential features of complex geological structures represented by multipoint geostatistics. The kernel
PCA representation is then applied to history match a water flooding problem. This example demonstrates that kernel PCA can
be used with gradient-based history matching to provide models that match production history while maintaining multipoint
geostatistics consistent with the underlying training image. 相似文献