极限学习脊波过程神经网络及应用

极限学习脊波过程神经网络及应用

论文摘要

为提高页岩的岩性识别精度,首先针对测井曲线连续变化、突变频繁的信号特征,利用脊波变换作为过程神经元的激励函数,提出一种脊波过程神经网络模型;其次通过Ada Boost的动态调整机制迭代调整模型和样本集权重,利用多个弱分类器的线性加权构建强分类器;最后为提高AdaBoost中的每个脊波过程神经网络模型的学习速度,提出一种基于满秩分解的极限学习算法,通过Moore-Penrose广义逆求解隐层输出权值。仿真实验以A区的B1井和B2井为例进行岩性识别,通过对比分析验证方法的有效性,识别效果优于其他过程神经网络模型,准确率最高可达90%左右。

论文目录

文章来源

类型: 期刊论文

作者: 刘志刚,许少华,肖佃师,杜娟

关键词: 极限学习,广义逆,岩性识别,过程神经网络,脊波变换

来源: 电子科技大学学报 2019年01期

年度: 2019

分类: 信息科技,工程科技Ⅰ辑

专业: 石油天然气工业,自动化技术

单位: 东北石油大学计算机与信息技术学院,山东科技大学计算机科学与工程学院,中国石油大学(华东)非常规油气与新能源研究院

基金: 国家自然科学基金(61170132,41330313),黑龙江省自然科学基金(F2015021)

分类号: TE151;TP18

页码: 110-116

总页数: 7

文件大小: 851K

下载量: 59

相关论文文献

  • [1].基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断[J]. 振动与冲击 2020(14)
  • [2].基于脊波与小波变换的联合图像去噪方法[J]. 西北大学学报(自然科学版) 2008(05)
  • [3].基于改进型正交有限脊波分析的自适应图像去噪[J]. 计算机应用 2008(06)
  • [4].改进的自适应脊波网络的碳通量预测[J]. 计算机工程与应用 2014(03)
  • [5].基于小波分形分析和脊波网络的模拟电路故障诊断方法[J]. 电工技术学报 2011(11)
  • [6].多尺度脊波字典的构造及其在图像编码中的应用[J]. 中国图象图形学报 2009(07)
  • [7].一种小波和脊波联合去噪方法[J]. 计算机工程与应用 2012(09)
  • [8].脊波分析在手背静脉识别中的应用[J]. 吉林大学学报(理学版) 2011(02)
  • [9].脊波域稳健性水印嵌入算法与可靠性分析[J]. 南京理工大学学报(自然科学版) 2008(04)
  • [10].脊波域的图像数字水印算法研究[J]. 现代计算机(专业版) 2012(09)
  • [11].基于复合脊波变换的图像去噪[J]. 现代电子技术 2011(12)
  • [12].SST和深度脊波网络在轴承故障诊断中的应用[J]. 河南理工大学学报(自然科学版) 2020(01)
  • [13].基于深度脊波神经网络的电力系统短期负荷预测模型[J]. 电力系统及其自动化学报 2020(04)
  • [14].基于分段分层相似日搜索和自适应脊波神经网络的风电功率多步预测[J]. 电网与清洁能源 2015(04)
  • [15].碰撞振动系统混沌运动的脊波神经网络控制[J]. 华中科技大学学报(自然科学版) 2018(05)
  • [16].基于脊波递归神经网络的短期负荷预测模型[J]. 青岛大学学报(工程技术版) 2018(03)
  • [17].基于随机有限元法和脊波神经网络的翅片式蒸发器结霜量和制冷量预测[J]. 家电科技 2019(01)
  • [18].基于脊波域的低信噪比地震资料处理技术[J]. 煤田地质与勘探 2008(03)
  • [19].基于尺度不变特征的脊波域量化水印算法[J]. 计算机工程 2012(20)
  • [20].基于脊波神经网络的短期风电功率预测[J]. 电力系统自动化 2011(07)
  • [21].基于数字脊波和样条权神经网络的高光谱图像融合分类[J]. 黑龙江大学工程学报 2010(04)
  • [22].基于粗集理论算法-脊波神经网络的深基坑变形预测与应用[J]. 安全与环境学报 2020(01)
  • [23].进化优化脊波网络及其应用[J]. 武汉理工大学学报 2011(02)
  • [24].基于MG-HMT模型的正交有限脊波域图像分割[J]. 数据采集与处理 2011(03)
  • [25].一种基于脊波域的扩频水印盲检测方法[J]. 计算机应用与软件 2013(05)
  • [26].改进的基于脊波变换的图像去噪新算法[J]. 计算机测量与控制 2012(06)
  • [27].图像噪声可见性控制的脊波域自适应水印算法[J]. 仪器仪表学报 2008(01)
  • [28].一种新的脊波变换方法[J]. 计算机研究与发展 2008(05)
  • [29].基于自适应脊波网络的高光谱遥感图像分类[J]. 计算机科学 2011(08)
  • [30].道路裂纹线检测中的脊波域图像增强算法[J]. 中国公路学报 2009(02)

标签:;  ;  ;  ;  ;  

极限学习脊波过程神经网络及应用
下载Doc文档

猜你喜欢