基于PNN模型和RF模型的沥青路面使用性能预测研究

如何准确地预测评断沥青路面使用性能,对于道路养护起着至关重要的作用。为了提出更为准确的路面使用性能评价方法,在规范所提出的评价指标的基础上,以临沂市的沥青路面使用评价相关数据为研究对象,分别基于概率神经网络(PNN)模型和随机森林(RF)模型,构建沥青路面使用性能预测模型,以此为沥青路面使用性能状态预测、科学制定沥青路面养护决策提供参考。

基于(SAGA-FCM)-PNN的交通状态判别方法研究

为了提高城市道路交通状态判别的正确性与稳定性,研究了一种基于遗传模拟退火算法改进的FCM算法与概率神经网络(PNN)结合的短时交通流状态判别方法。针对传统FCM算法会收敛到局部最优解的问题,利用遗传模拟退火算法对其进行改进,优化算法初始聚类中心;将已分类的数据分为训练集与测试集对概率神经网络(PNN)模型进行训练与测试,通过对径向基函数的扩展速度的优化提高PNN算法的准确性;并利用厦门市城市道路地磁检测数据对模型进行实例验证及性能分析。结果表明,文中方法能够有效的实现交通状态的判别,且能够得到全局最优解;同竞争神经网络模型、GRNN模型、SVM模型相比,文中模型的交通状态判别正确率分别提高2.1%,4.5%,2.7%,且具有更好的稳定性。

基于过程神经元网络模型的间歇反应优化计算

针对间歇过程中最优操作轨线经常从生产经验中人工获取的问题,提出了一种基于过程神经网络(processneural network,PNN)模型的自动计算方法。利用PNN独特的时间聚合算子特点,建立反应操作变量与产品质量之间的关系。基于此时间函数模型,通过产品质量性能指标优化计算,获得最佳的控制轨线,作为实际生产的设定曲线。最后,MPCE仿真平台的间歇反应实验说明了该方法的有效性。

PSO-GBDT识别致密砂岩储集层岩性研究——以姬塬油田西部长4+5段为例

交会图在致密砂岩储集层应用上难以奏效,其主要原因是多种储集层岩性具有相似测井响应特征而难以在交会图版中被有效分辨。众多机器学习技术可有效分辨属性相似度高的数据,为此识别性能出众的GBDT(gradient boosting decision tree,梯度提升决策树)常被用来解决致密砂岩储集层岩性识别问题。但GBDT使用较多超参数致训练模型难以最优化,本文选用PSO(particle swarm optimization,粒子群算法)来解决优化问题,进而提出PSO-GBDT模型。本文以姬塬油田西部长4+5段致密砂岩储集层为研究对象,通过设计两个实验来验证提出模型的识别能力。实验结果表明,PSO-GBDT岩性识别准确率分别为(90.37%,88.20%)和(93.48%,90.16%),高于其他验证模型。该模型能有效解决致密砂岩储集层岩性识别问题,在岩性识别研究上具有良好的推广应用前景。

基于概率神经网络的流行音乐分类研究

本文以中国的流行音乐为研究对象,就如何区分音乐风格的问题,我们建立了概率神经网络(PNN)模型,对流行音乐的风格给出一个自然、合理的分类方法,以便给网络电台的推荐功能和其它可能的用途提供支持。我们选取了重要的七个音符在乐谱中出现的频率来反应歌曲的风格,通过实验验证了该模型的有效性和准确性,为音乐风格分类提供科学客观准确的方法。

GBDT识别致密砂岩储层岩性

岩性识别是一项重要的地质基础研究内容.以交会图为代表的常规岩性识别工具虽然在构建的二维或三维图版中能够依据手动归类的测井数据点集来明确各种岩性的一系列测井响应判定,但却无法适用于致密砂岩储层,其原因是该类储层的岩性成分不仅复杂,且较多岩性的测井响应特征具有相似性.根据机器学习在数据分析上的强大性能,本文提出利用在模式识别方面能力出众的GBDT模型来解决岩性识别问题.本文以姬塬油田西部长4+5段致密砂岩储层测井资料为基础,通过设计两种实验来验证提出模型的岩性识别能力.为提高验证效果,在实验中加入BP、PNN和KNN三种传统模式识别模型进行对比.实验结果显示,GBDT识别准确率最高,分别为90.14%和90.41%.基于GBDT较传统模式识别模型能够给出更为准确的预测值,实验结果充分证明了提出模型不仅能有效识别致密砂岩储层岩性,在岩性识别研究领域上还具有良好的推广应用前景.