针对CABLE MODEM上行信道对Log-BP算法的改造

阐述了HFC上行信道算法改进的必要性,介绍了算法改进的方案和改进措施,论叙了改进的思路、方法和过程。

基于PCA-BP神经网络的TOC测井评价方法研究

有机碳含量是评价烃源岩潜力的主要参数,常用的总有机碳含量(TOC)测井反演模型难以深度剖析测井曲线之间的复杂共线性关系,制约了多维测井信息的综合评价效果。利用玛湖凹陷三叠系白碱滩组泥岩的热解实验结果和常规测井曲线资料,建立了一种基于PCA-BP(Principal Component Analysis and Back Propagation)神经网络的有机碳含量智能预测方法。该方法以敏感测井曲线的加权平均值和TOC测试结果为原始数据集,首先利用方差膨胀因子检测测井曲线之间共线性,然后采用主成分分析PCA(Principal Component Analysis)技术对原始数据集进行去共线性和降维处理,确定出2个主成分,最后结合中子、自然伽马、密度、声波时差曲线值,建立出6个输入节点的3层BP(Back Propagation)神经网络预测模型,对研究区三叠系白碱滩组烃源岩潜力进行精细评价。3口取心井累积410m井段的预测结果表明,模型的决定系数高达0.879,预测结果平均绝对误差和均方误差分别为0.220和0.107,平均相对误差为16.1%。研究结果为准噶尔盆地勘探领域优选提供了可靠参考。

基于机器学习的总有机碳含量测井预测方法对比研究

川中中二叠统茅口组一段发育岩性复杂、纵向变化大,总有机碳含量预测影响因素多、难度大,探索最适合该地区总有机碳含量预测的高精确度预测方法尤为重要。基于皮尔逊相关系数矩阵进行了总有机碳含量预测敏感参数选取,利用多层前馈神经网络、支持向量机和XGBoost算法这3种机器学习方法进行建模,并与常规ΔlogR法计算总有机碳含量的结果进行对比分析。结果表明:应用敏感特征挖掘方法优选出了与总有机碳含量相关性高的自然伽马、电阻率、声波时差、补偿密度、补偿中子测井数据作为输入特征;建立了检验精度R^(2)=0.6248的Δlog R法计算模型、R^(2)=0.8144的BP神经网络预测模型、R^(2)=0.7029的支持向量机预测模型及R^(2)=0.9370的XGBoost预测模型。实际应用效果分析显示,常规的ΔlogR法计算总有机碳含量精确度效果不佳,达不到预期效果;XGBoost预测模型预测值与实测值大小吻合最好、可靠性最高。该研究建立、对比优选出了预测精度高、泛化能力强的总有机碳含量预测模型,为研究区复杂碳酸盐岩总有机碳含量预测提供了有效的方法。

基于机器学习的页岩气总有机碳含量预测模型

总有机碳含量(total organic carbon,TOC)是评价页岩气藏生烃能力的重要指标,对页岩气藏地质“甜点”的准确预测至关重要。现有页岩气藏TOC含量预测方法存在主观性强、泛化能力弱等缺点,以川南海相页岩气藏为研究对象,通过对研究区块测井资料和实验室岩心分析结果的整理,优选出自然伽马、密度等测井参数作为模型训练的特征向量,建立总有机碳含量的多层前馈神经网络(back propagation,BP)和支持向量机预测模型,分析不同模型之间的差异,对模型特征组合、网络结构等影响因素进行分析,最后将预测的TOC结果与真实值对比。结果表明:基于不含能谱测井资料的BP神经网络预测模型更能真实地反映出测井资料与储层的非线性关系,为TOC的预测提供新的思路。

适用于宽带电力线通信的LDPC码译码算法的研究

用A类噪声模型模拟电力线信道中的脉冲噪声环境,采用LDPC码来抑制A类噪声信道(AWAN)中的窄带脉冲噪声。针对A类噪声信道的特性,将信道初始信息的对数似然比(LLR)公式进行适当修改,完成对原有Log-BP译码算法的改造。通过蒙特卡罗仿真与原有的Log-BP译码算法的译码性能进行比较分析,结果表明,在对A类噪声模型的参数Γ和A取值合理的情况下,在AWAN信道上改造后的Log-BP译码算法的误码率性能提高近11dB。

一种用于规则QC-LDPC码的高效译码方法

针对一类规则QC-LDPC码,提出一种高效的Log-BP译码方法,通过矩阵分裂,将原监督矩阵分裂成多个小矩阵,将原本的校验节点更新运算拆分成多次处理,以降低log-BP迭代运算的复杂度,给出该方法的迭代运算顺序。与现有的log-BP译码方法相比,该方法在相同的码速率下,校验节点运算单元与变量节点运算单元总规模减小了1/3;在相同的硬件资源下,译码速率提高了1/3,且校验节点运算单元与变量节点运算单元结构趋于对称,有利于设置更少的流水线级数、获得更好的时钟性能。

高码率多进制LDPC码在AWGN信道中的性能分析

为了解决多进制LDPC码原有译码算法复杂度较高,不利于硬件实现的问题,研究了多进制LDPC码的2种简化译码算法：基于快速傅里叶变换的信度传播译码算法（FFT-BP）和基于对数运算的Log-BP译码算法.同时分析了基于这2种译码算法的高码率（1/2～1）多进制LDPC码在AWGN信道中的性能优势.仿真结果表明：当多进制LDPC码采用这2种不同的译码算法时,随着码率的下降,编码增益和性能曲线与香农限的距离都会随之而增大,即多进制LDPC码适合于高码率情况下的应用.并在牺牲一定的信噪比时,Log-BP算法能够使多进制LDPC码的硬件复杂度得到较大的改善.

一种多元LDPC-CPM优化方法及性能仿真分析

为了解决二元低密度奇偶校验(LDPC)码与高阶连续相位调制(CPM)级联的系统在卫星通信、深空通信方面传输性能不足的问题,提出了一种多元LDPC-CPM优化方法。首先采用多元LDPC码与高阶CPM串行级联形成多元LDPC-CPM系统获取更好的传输误码性能。其次考虑到多元LDPC码的传统译码算法复杂度过高,难以硬件实现的问题,设计了一种改进型的Mixed-Log-FFT-BP算法,通过去除加法与查表运算中对数似然比的求解,降低译码复杂度。最后针对多元LDPC-CPM系统涉及参数过多问题,提出一种性能逐步收敛的参数优化方法。仿真结果表明,与优化前的系统相比,优化后的系统在中高信噪比下,误码性能有1~1.2 dB的提升,且系统复杂度较低。

应用于无线传感器网络的LDPC码研究

在系统分析LDPC码编译码技术的基础上,根据无线传感器网络的应用特点,提出了LDPC码在无线传感器网络节点中的设计方案,方案采用(n,3,6)规则LDPC码,校验矩阵采用PEG-QC构造法,编码采用RU算法,译码采用Log-BP算法,并对该方案进行了MATLAB仿真,仿真结果表明了该方案的有效性.

IEEE 802.16e中的QC-LDPC码分析

QC-LDPC码(准循环低密度奇偶校验码)是一个十分重要的LDPC码研究分支。QC-LDPC码是一类结构化的LDPC码,其校验矩阵H采用准循环方式构造。IEEE 802.16e协议中给出了一种具有准循环特性的监督矩阵,具有实现复杂度低的特点,易于硬件实现。本文主要介绍了协议中的QC-LDPC码的编码过程,并给出了各种译码算法的译码性能。仿真表明,对于高速率LDPC码的最小和(MS)算法和对数域的置信传播(Log-BP)算法的性能相比有约0.5dB损失,但归一化最小和(NMS)算法和匹配行重量的最小和(Rwm-MS)算法的性能与Log-BP算法性能很相近,且复杂度大大降低。

低孔低渗储层测录井资料油气识别方法

青海乌南油田上油砂山组(N22)和下油砂山组(N12)储集层平均孔隙度分别为13.0%和13.6%,平均渗透分别为3.88×103μm2和2.93×103μm2,属于低孔、低渗油田。在低孔、低渗储层,由于油气储层中测井资料受储层岩性、地层水性质和储层物性等影响较大,造成含油气储层测井曲线异常特征不明显,单一应用测井资料识别油、气、水层困难。应用BP神经网络技术对乌南油田低孔、低渗储层的测井资料与录井资料进行综合处理,利用测井信息的丰富性和高分辨率的优势与录井资料识别油、气、水层的直观准确性互相结合对低孔、低渗储层进行油气识别。

基于测井资料的BP神经网络模型在孔隙度定量预测中的应用

分析了储层孔隙度预测中存在的问题,提出了把测井信息当作影响储层孔隙度的因素、并根据已知测井信息与储层孔隙度的关系、建立适当的BP神经网络模型、在一定的学习条件下对未知样本进行预测的方法。通过实例研究,预测结果的准确性较高且明显优于回归分析预测的结果,认为此法可以作为一种储层孔隙度定量预测的方法。

下一代无线局域网中LDPC译码算法研究

详细分析了下一代无线局域网IEEE802.11ac中LCPC码的编码过程。研究了BP译码算法、Log-BP算法与MS译码算法,同时研究了改进的MS算法。搭建IEEE802.11ac系统MATLAB测试链路,经过蒙特卡洛仿真进行误码率统计,从性能和复杂度方面进行权衡,改进的MS算法更适合ASIC实现。

BP神经网络在西湖凹陷烃源岩评价中的应用

在测井评价中使用BP神经网络法拟合总有机碳含量,可以获得钻井剖面中连续、完整的烃源岩总有机碳含量变化和分布特征,解决了海上钻探井取样的困难。选取对总有机碳含量影响较大的常规测井曲线作为输入端,建立BP神经网络模型对西湖凹陷烃源岩总有机碳含量、生烃潜力指数和氢指数值进行拟合,从而为西湖凹陷烃源岩的评价提供了更加合理的地球化学参数。利用实测及BP神经网络拟合地球化学参数对西湖凹陷42口井的烃源岩有机质丰度综合分析认为,平湖组源岩有机质丰度高、厚度大,为凹陷主力烃源岩,其中平湖组中、上段为油气来源的主要层段;花港组源岩有机质丰度较低,对该区油气形成有一定贡献,为凹陷次要烃源岩。

煤层含气量测井解释方法探讨

用多元线性回归建立煤层气含量与煤质参数、测井曲线值之间的回归方程，经Ｆ检验回归方程有效，但回归方程估算的煤层含气量与煤样解吸测定的含气量之间仍然存在较大的误差，为此利用ＢＰ神经网络进一步探讨它们之间的关系，实例表明预测精度较高。

基于测井信息的煤储层渗透率BP神经网络预测方法

为了解决试井资料有限、无法完全掌握煤储层渗透率分布的难题,提出了把测井信息作为煤储层渗透率的影响因素,并据储层渗透率与已知测井信息的关系建立BP神经网络模型,在一定的学习前提下对未知样本进行预测。综合应用BP神经网络模型和模糊排队算法,以柳林区块56口井的试井和测井资料为基础,以模糊曲线分析方法优选输入变量,建立BP神经网络煤层渗透率预测模型,并对渗透率进行了预测。预测结果与实测结果之间具有较高的吻合度,结果表明该方法对煤储层渗透率预测具有较好的适用性。对柳林区块煤层渗透率分布进行预测,摸清了全区渗透率平面展布的样式,指明柳林区块东北部渗透率较高,是勘探开发的有利区。

声波曲线重构技术在火山岩储层预测中的应用

火山岩储层具有较强的非均质性,常规的声波测井曲线约束反演由于受多种因素的影响,不能有效地反映火山岩储层特征。针对火山岩这种特殊的岩性体,探索性的采用深、浅双侧向测井曲线重构声波曲线,在此基础上,以神经网络反演为手段,对二连盆地洪浩尔舒特凹陷火山岩储层分布进行预测,取得了较好的应用效果。

遗传神经网络在煤质测井评价中的应用

煤层气储层具有很强的非均质性和各向异性,使得测井资料解释结果具有多解性、模糊性和不确定性。提出了将遗传算法和神经网络相结合的方法,利用遗传算法优化神经网络的连接权值及阈值,从而提高网络训练精度和煤层气储层评价精度。该方法避免了标准BP算法易陷入局部最小和遗传算法局部搜索能力较差的缺点,提高了运算速度。介绍了利用遗传算法优化网络连接权值及阈值的步骤和煤质参数预测步骤。通过选取学习样本、确定网络结构、归一化处理数据,建立了基于GA-BP神经网络的煤层气储层煤质测井评价模型。对26个样本数据的分析对比表明,该算法具有较高的预测精度和较快的运算速度。10多口井的实际应用表明,GA-BP神经网络模型预测结果与煤心测试数据匹配很好,且与体积模型计算结果具有良好的一致性。

利用测井曲线定量识别安泽区块煤体结构

以沁水盆地南部安泽区块山西组3号煤岩为研究对象,利用11口评价井的钻井取心和常规测井曲线资料,利用BP神经网络方法,对煤体结构进行了定量识别.研究结果表明:根据宏观观察的取心破碎情况,安泽区块山西组3号煤岩煤体结构可划分为原生结构煤、碎裂结构煤、碎粒结构煤和糜棱结构煤四类;随着破碎程度的增强主要表现为自然伽马、声波时差、补偿中子和井径的增大,密度和深电阻率降低;不同煤体结构测井曲线数值存在大量重叠,利用测井曲线识别煤体结构具有多解性;选取自然伽马、补偿中子、井径、声波时差、密度和深电阻率6条测井曲线,利用BP神经网络方法,实现了基于常规测井曲线和BP神经网络的煤体结构定量识别.该方法可有效提高煤体结构识别准确性.

应用BP神经网络预测油页岩含油率

根据测井资料计算油页岩含油率多采用△log R法或改进的△log R法,这些方法中参数获取过程中易产生诸多误差,且这些方法是建立在油页岩含油率与特征测井曲线值是线性关系的基础上的,而在实际非均质性地层中,测井对油页岩含油率参数的响应在本质上必然是非线性的。基于此,运用BP神经网络来预测柴达木盆地北部地区侏罗纪油页岩含油率。首先分析研究区段测井数据的数理统计分布特征,在优选学习样本的基础上再采用一种基于LM(Levenberg-Marquardt)算法的BP神经网络进行含油率预测,最后得出一组由40个连接权值与11个阈值组成的含油率参数解释模型,油页岩含油率预测值与岩心实验室分析值吻合很好,均方误差能控制在0.191 8。因此,运用此模型可以预测相同地质背景条件下的油页岩含油率。