基于小波-最小二乘支持向量机的熔融指数预测

熔融指数是聚丙烯生产的主要质量指标,为了在线监测熔融指数,并实现质量的自动监控是聚丙烯生产工业亟待解决的问题。对液相间歇式聚丙烯反应机理进行分析,找出影响熔融指数的主要参数,采用小波基函数对原始数据进行粗大误差处理,主成份分析确定最少辅助变量,简化支持向量机结构,应用交叉验证法优化最小二乘支持向量机模型参数,建立熔融指数预测模型。仿真结果表明,熔融指数的预测平均绝对误差为1.923,均方差为1.219。预测精度满足生产要求,且模型泛化能力强,运行速度快,可以有效指导生产。

回归模型中基于机器学习的流量预测算法

在基于机器学习的流量预测算法中,详细研究了基于回归模型的预测算法,将机器学习算法引入到网络流量预测中,提出了不同的弱回归算子用来描述网络流量中的非线性特性。针对网络流量中的自相似特性,提出两种不同的机制,即用主成分分析作为预处理和为每一维特征保留一组权重分布;同时,针对实验中发现的过匹配现象提出一种自适应的权重更新准则。

基于偏最小二乘回归法的储层厚度预测

首次采用偏最小二乘回归法进行储层厚度预测,推导其数学算法,总结其优势,建立正演模型分析其可行性。针对靶区的地震数据进行地震属性的提取,优选出可以较好地描述砂体分布情况的5种属性,分别为波峰数、平均振幅、平均瞬时相位、振幅立方差和能量半衰时。利用这5种属性分别对靶区应用主成分分析法、神经网络法和偏最小二乘回归法,得到井点处的砂体厚度预测值。根据各自绝对误差和相对误差,推断应用最小二乘回归法预测砂体厚度值更为准确。根据建立的回归方程,对靶区进行砂体厚度预测,得到砂体厚度分布情况。

基于主成分分析的多属性聚类方法在裂缝预测中的应用

准确预测储层裂缝分布是勘探开发中的重点。地震几何属性对裂缝预测的效果最好,但不同的裂缝属性往往是地下不同裂缝特征的响应。综合考虑多种属性预测结果,提出基于主成分分析的多属性聚类方法,提取多种裂缝属性相互独立的主成分分量,再利用这些分量进行聚类分析,最终获得能够代表多种属性的裂缝预测成果。实际资料表明,该方法具有一定的实用价值。