基于混合降维Elman神经网络的砂岩储层物性参数智能计算研究

针对实验室测定岩石储层物性参数在实际应用中的成本问题,提出一个基于混合降维Elman神经网络的砂岩储层物性参数计算的智能方法。首先利用灰色关联分析对岩石薄片特征参数与其物性参数进行关联度计算,优选关联度较高的若干参数;其次使用主成分分析对选出的特征参数二次降维,最后应用Elman神经网络寻找岩石薄片特征参数与其物性参数之间的映射关系。选取鄂尔多斯盆地吴旗地区薛岔区块延长组储层砂岩样本的薄片鉴定与物性分析数据对方法进行测试,实验结果表明,计算得到的孔隙度与渗透率平均相对误差分别为7.28%和6.25%,混合降维方法在收敛速度和计算精度方面也得到提高。因此,基于混合降维Elman神经网络方法能够利用成本较低的岩石薄片相关资料快速并准确地计算砂岩储层物性参数,具有较高的可靠性、实用性以及应用前景。

基于混合降维森林的天线跟踪数据实时处理

随着卫星数量和星上动作快速增加,卫星测控站测控任务也随之指数式增加,导致传统的24小时人工监视任务难以实现。基于数据挖掘的大数据实时分析技术能有效解决该问题,但面临样本维度高和标记数据不平衡的问题。提出一种新的集成学习模型——混合降维森林(HDRF),来处理复杂的天线跟踪数据。首先通过提出的样本特征化转换过程(SFTP)将异常样本转化为拓展的样本特征,其次通过基于树的特征选择算法挑选样本的强特征,并使用主成分分析(PCA)算法对新特征和未选择特征进行降维,生成具有有效性和补偿性的新特征。最后,在5个真实数据集上的实验表明,提出的算法优于其他主流的集成分类算法,且对天线跟踪数据实时处理切实有效。

文本分类中基于CHI和PCA混合特征的降维方法

中文文本数据的半结构化甚至非结构化的特点使得其分类存在着特征高维的问题,传统单一的特征降维方法难以满足大数据时代的文本分类需求。基于此,提出了一种基于卡方统计(Chi-square statistics,CHI)和主成分分析(principal component analysis,PCA)的混合特征降维方法(CHI-PCA),该方法使用CHI方法初筛出类别相关的特征词,使用PCA方法对特征词空间进行二次降维,在特征降维的同时仍保留了原始特征空间最多的特征信息。通过与文档频率(document frequency,DF)、信息增益(information gain,IG)、CHI和PCA这4种传统特征降维方法的实验对比,结果表明,在不同特征维度下,所提方法在Softmax回归、支持向量机(support vector machines,SVM)分类以及KNN分类器下的整体分类效果均优于对比方法,F1宏平均值最高提升了2.7%,在每个类别上的分类性能也是可观的,这说明基于CHI-PCA的2阶段特征降维方法是可行的,在特征降维的同时,还提高了分类性能。

基于NMI-SC的糖尿病混合数据特征选择

针对糖尿病预测精度受高维混合数据影响的问题,提出基于NMI-SC的糖尿病特征选择方法,通过邻域互信息(NMI)计算混合属性特征邻域半径内的联合概率密度,构建相似度矩阵,通过糖尿病特征之间的相似性构建无向图,基于谱聚类(SC)将糖尿病特征切分为多个特征相似组,实现非线性特征间的聚类,根据特征分类重要性选出相似组中的代表特征。并将其与原始特征集在支持向量机分类器上的准确率进行比较,该特征选择方法在删除46个冗余特征后,准确率提高了13.07%。实验结果表明,该方法能有效删除冗余特征,得到糖尿病分类性能优异的特征子集。