基于支持向量机的分层注水效果预测模型设计与实现

合集下载

构建支持向量机算法的预测模型

构建支持向量机算法的预测模型

构建支持向量机算法的预测模型在现代的数据分析领域中,预测模型被广泛应用于各个领域。

构建一个有效的预测模型需要精准的数据预处理和特征工程,但是最重要的是使用合适的算法。

其中,支持向量机(Support Vector Machine,简称SVM)被认为是各种预测模型中最具有实用价值的算法之一。

本文将讨论如何构建支持向量机算法的预测模型,以预测未来的事件和情况。

一、什么是支持向量机?支持向量机是一种非常流行的机器学习算法,可用于分类和回归分析问题。

它的主要思想是通过在数据点之间构建一个最佳的分割线(超平面)来对数据进行分类或回归分析。

在支持向量机算法中,我们选择两个不同的数据集类别,并尝试使它们在最终解决方案中达到最大分离。

这可以通过选择具有最大间隔的超平面来实现。

例如,在两个类别的数据集中,我们可以选择一个超平面,使得两个数据集类别之间的距离最大。

该超平面成为:最大间隔超平面。

使用支持向量机进行分类时,我们必须将新数据点映射到距离最近的类别。

SVM算法的主要优点在于它们不受异常数据的影响,并在低维数据集中提供出色的结果。

然而,SVM算法在高维数据集中需要进行更多的计算和分析,才能获得较好的结果。

二、构建支持向量机的预测模型构建支持向量机算法的预测模型需要考虑以下步骤:1. 数据预处理作为数学模型,支持向量机算法对于输入数据有特殊的要求。

首先,我们需要确保数据被准确地标记和归类。

其次,我们需要使用合适的特征转换技术,将数据集的特征转换为支持向量机算法可以理解的形式。

在数据预处理阶段中,我们应该:(1) 验证数据的质量和数量,排除掉可能对算法产生负面影响的异常值和无效数据。

(2) 标记和归类数据,以使其适用于算法的需求。

(3) 选择合适的特征转换技术,将数据转换为支持向量机算法可以处理的形式。

2. 特征工程在特征工程阶段,我们应该选择最具预测性的特征作为算法输入。

在这个过程中,我们可以使用一些特定的技术来解决高维度和维度灾难(curse of dimensionality)的问题。

基于最小二乘支持向量回归的水质预测

基于最小二乘支持向量回归的水质预测

计算机与现代化JISUANja YU XIUNDAIHUA2019年第9期总第289期文章编号:1006-2475(2019)09-0031-04基于最小二乘支持向量回归的水质预测刘红梅1,徐英岚1,张博2,李荣1(1.北京农业职业学院,北京102442;2.北京理工大学,北京100020)摘要:水质系统是一个开放的、复杂的、非线性动力学系统,具有时变复杂性,针对水质预测方法的研究虽然已经取得了一些成果,但也存在预测精度与计算复杂度等难题。

为Q,本文提出一种基于最小二乘支持向量回归的水质预测算法。

支持向量机是机器学习中一种常用的分类模型,通过核函数将非线性数据从低维映射到高维空间,在高维空间实现线性分类和回归,最小二乘支持向量回归!LS-SVR)利用所有的样本参与回归拟合,使得回归的损失函数不再只与小部分支持向量样本有关,而是由所有样本参与学习修正误差,提高预测精度;同时该算法将标准SVR求解问题由不等式的约束条件及凸二次规划问题转化成线性方程组来求解,提高了运算速度,解决了非线性复杂特性的水质预测问题。

关键词:支持向量回归(SVR);最小二乘支持向量回归(LS-SVR);水质预测中图分类号:TP301文献标识码:A doi:10.3969/j.issn.1006-2475.2019.09.006Prediction of Water Quality Based on Leash Square Supporh Vector RegressionLIU Hong-mei1,XU Ying-Ian1,ZHANG Bo2,LI Rong1(1.Beijing Vocational Collexe of Agriculture,Beijing102442,China;2.Beijing Institute of Technology,Beijing100020,China)Abstraci:The water quality system is an open,complex,and nonlinear dynamic system with time-varying complexity.Although some achievements have been made in the research of water qualita prediction methods,there are still some difficueies such as prediction accuracy and computational complexity.Therefore,this paper proposes a water qualita prediction aleorithm based on least squares support vector resression.Support vector machine(SVM)is a kind of commonly used machine learning classifico-tion modei,nonlinear data are mapped from low-dimensionai space W high-dimensionai space through the kernei function,linear classification and resression are realized in the high diniensional space,the least squares support vector resression(LS-SVR)u­ses ali samples a participate in resression fitting,which makes the resression loss function be no longer only related a a smali numbeeAfsuppAeeeeceesampees,buea e sampeespaeeicipaeein eeaeninge cA e ecee e Aeand impeAeeehepeedicein peecisin.Ae ehesameeime,byehisaegoeiehm,eheseandaed SVRsoeeingpeobeem iseeansfoemed feom inequaeieyconseeainecondieionsand con-eetquadeaeicpeogeammingpeobeem ineosoeeingeineaeequaeions,which inceeasesopeeaeion speed and soeeesehewaeeequaeiey peediceion peobeem wieh noneineaecompeetchaeaceeeiseics.Key words:Support Vector Resression(SVR);Least Square Support Vector Resression(LS-SVR);water qualita predictiono引言水质预测主要是利用实测数据,通过不同的预测方法来预测环境变量(预测指标以外的所有可能变量)与待预测指标之间的非线性关系,或者待预测水质指标本身随时间的变化规律'T。

支持向量机在水质监测预测与治理中的应用步骤与方法

支持向量机在水质监测预测与治理中的应用步骤与方法

支持向量机在水质监测预测与治理中的应用步骤与方法随着工业化进程的加快和人口的增长,水资源的污染问题日益严重,给人们的生活和环境带来了巨大的威胁。

水质监测预测与治理成为了当今社会亟待解决的重要问题之一。

在这个过程中,支持向量机(Support Vector Machine,SVM)作为一种强大的机器学习算法,被广泛应用于水质监测预测与治理中。

支持向量机是一种非常有效的分类和回归算法,其核心思想是寻找一个最优的超平面,将不同类别的数据点分隔开来。

在水质监测预测中,支持向量机可以通过学习历史水质数据,建立一个预测模型,对未来水质进行预测,从而及时采取相应的治理措施。

首先,进行数据收集和预处理是支持向量机应用于水质监测预测的第一步。

我们需要收集大量的水质监测数据,包括水质指标、水源地特征等。

在收集到数据后,需要对数据进行预处理,包括数据清洗、特征选择和数据标准化等。

这些步骤可以提高支持向量机模型的准确性和稳定性。

接下来,选择合适的核函数和参数是支持向量机应用于水质监测预测的关键步骤。

核函数是支持向量机的核心,它可以将低维的输入空间映射到高维的特征空间,从而使得数据在特征空间中更容易分隔。

常用的核函数有线性核函数、多项式核函数和径向基函数等。

在选择核函数的同时,还需要调整相应的参数,如惩罚系数C 和核函数的参数γ等。

通过交叉验证等方法,可以选择最优的核函数和参数组合。

然后,进行支持向量机模型的训练和评估。

在训练过程中,我们将历史水质数据作为输入,利用支持向量机算法学习数据的特征和规律,建立一个预测模型。

在评估过程中,我们将模型应用于测试数据集,计算模型的准确性和泛化能力。

常用的评估指标包括准确率、召回率和F1值等。

最后,根据支持向量机模型的预测结果,制定相应的水质治理措施。

根据预测结果,我们可以判断水质是否达到标准要求,如果不达标,就可以及时采取相应的治理措施,如增加水处理设备、改善污水排放等。

通过不断优化和迭代,可以提高水质监测预测与治理的效果。

基于支持向量机的水质预测应用实例_张秀菊

基于支持向量机的水质预测应用实例_张秀菊

文章编号:1007-2284(2015)01-0085-05基于支持向量机的水质预测应用实例张秀菊1,安 焕1,赵文荣1,张琴玲2(1.河海大学水文与水资源学院,南京210098;2.芜湖水文水资源局,安徽芜湖241000) 摘 要:水质预测作为水环境污染控制的重要手段,能够预测水质的变化趋势,从而有效地控制水质恶化情况。

分析了支持向量机的回归理论和算法;构建了支持向量机水质预测模型。

应用实例以通州区新江海河站点为研究对象,取NH3-N浓度和TP浓度为时间序列样本,运用支持向量回归机的理论与方法,构造预测模型,并利用Libsvm软件包和MATLAB软件进行水质预测。

从整体预测效果来看,其预测结果能较好地反映水质情况。

关键词:水环境;水质预测;支持向量机;回归理论 中图分类号:TV213.4 文献标识码:AAn Application Example of Water Quality Prediction Based on Support Vector MachinesZHANG Xiu-ju1,AN Huan1,ZHAO Wen-rong1,ZHANG Qin-ling2(1.College of Hydrology and Water Resources,Hohai University,Nanjing 210098,China;2.Wuhu Hydrology and Water Resources Bureau,Wuhu 241000,Anhui Province,China)Abstract:As an important means of water environmental pollution control,water quality prediction can predict the change trend ofwater quality so as to control water deterioration effectively.This paper analyses regression theory and algorithm of Support VectorMachine,and establishes Support Vector Machine model for water quality prediction.We take Xinjianghai River of Tongzhou Dis-trict as a research example,and the concentration of NH3-N and TP as time series samples,and establishes a model to predict wa-ter quality by using the theory and method of Support Vector Regression and taking advantage of Libsvm software and MATLABsoftware.From the perspective of overall prediction results,it shows that prediction results of Support Vector Machine model canreflect water quality situation well.Key words:water environment;water quality prediction;support vector machine;regression theory收稿日期:2014-04-29基金项目:中央高校基本科研业务费专项资助项目(2011B01814);江苏省水利科技资助项目(2010015)。

基于支持向量机的水资源预测模型

基于支持向量机的水资源预测模型
第3 0卷 第 1期 2 0 1 5年 2月










Vo 【 . 3 0 No . 1 FCHE NGDU UNI VERSI TY 0F I NF 《 ) RM AT1 0N TECHN0L o GY
0 0 O O 0


m n
( a ) 线 性 分 类 器
分类 闻隔
1 支 持 向量 机 理 论
1 . 1 支 持 向量机 的基 本思 想
工作 机理 l l 1 j : 对 于线 性 可 分 的数 据 , 寻 找 一 个 既要 保证 分类 精度 , 又要 使 两 侧 空 白区域 最 大 化 的分 类超 平 面 。理论上 , S VM 能够将 线性 可 分数 据分 类 最 优化 。而对 于线性 不 可 分数 据 , 可 以通 过 核 函数 将其 映射 成高 维 空间 中的线 性可 分数 据 。
文章编号 :1 6 7 1 — 1 7 4 2 ( 2 0 1 5 ) 0 1 — 0 0 5 9 . 0 4
基 于 支 持 向量 机 的 水 资 源 预 测 模 型
潘长森 , 王小亭 , 梁晓龙2
( 1 . 成都 信 息工程 学院资 源环境 学院 , 四川 成都 6 1 0 2 2 5 ; 2 . 成都 市环 境保 护科 学研 究 院 , 四川 成 都 6 1 0 0 7 2 )
摘要 : 水 资源信息 的预测 可以为水资源的合理调 配 、 管 理和规 划提供 依据 , 为提 高拟合 和预测精 度 , 建 立基 于 支持 向量机 的水资源信息预测模 型 , 采用捕鱼算法对其参数优化 , 并应用于地下水水 位预测 的实例分析 , 且拟合及 预测精度均较高 , 与神经网络模 型方法所取得 的结果进行 比较 , 能取得更好效果 , 表明将 回归支持 向量机 用于水 资 源信息的拟合 、 预测是可行的。 关 键 词: 人工神经 网络 ; 支持 向量机 ; 捕鱼算法 ; 水资源 ; 预测模型

基于支持向量机的水资源预测模型

基于支持向量机的水资源预测模型

基于支持向量机的水资源预测模型
潘长森;王小亭;梁晓龙
【期刊名称】《成都信息工程学院学报》
【年(卷),期】2015(030)001
【摘要】水资源信息的预测可以为水资源的合理调配、管理和规划提供依据,为提高拟合和预测精度,建立基于支持向量机的水资源信息预测模型,采用捕鱼算法对其参数优化,并应用于地下水水位预测的实例分析,且拟合及预测精度均较高,与神经网络模型方法所取得的结果进行比较,能取得更好效果,表明将回归支持向量机用于水资源信息的拟合、预测是可行的.
【总页数】4页(P59-62)
【作者】潘长森;王小亭;梁晓龙
【作者单位】成都信息工程学院资源环境学院,四川成都610225;成都信息工程学院资源环境学院,四川成都610225;成都市环境保护科学研究院,四川成都610072【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于支持向量机的学生满意度指标评价预测模型 [J], 袁宜英
2.基于支持向量机的配电网全域大数据自动化预测模型设计 [J], 王栋;张自强;高建勇;刘诣超;杨军亭
3.基于支持向量机回归的豫南地区小麦蚜虫发生程度预测模型研究 [J], 高风昕
4.基于Bi-LSTM和支持向量机的风机叶片短期覆冰状态预测模型 [J], 熊昌全;何
泽其;张宇宁;黄胜
5.基于支持向量机的储粮仓壁动态侧压力预测模型 [J], 徐志军;刘婷婷;李建平;原方
因版权原因,仅展示原文概要,查看原文内容请购买。

基于支持向量机的水质评价和预测研究

基于支持向量机的水质评价和预测研究

总之,我们将继续致力于支持向量机在水质评价和预测方面的研究,为水资 源的保护和管理提供更科学、有效的技术支持。
参考内容
引言
传染病预测系统在公共卫生领域具有重要意义,能够帮助政策制定者和研究 人员及时预测疫情的发展趋势,从而采取有效的防控措施。支持向量机(SVM) 是一种常见的机器学习算法,广泛应用于分类和回归问题。近年来,支持向量机 回归在传染病预测方面也取得了不少进展。本次演示将探讨基于支持向量机回归 的传染病预测系统建模方法,并对其进行实验验证和分析。
结论与展望
本次演示成功地将支持向量机应用于水质评价和预测中,取得了较好的分类 效果,但在预测方面还有待提高。尽管如此,支持向量机仍不失为一种有效的水 质评价和预测工具,具有广泛的应用前景。
在未来的研究中,我们将继续探索提高支持向量机性能的方法,如结合深度 学习技术、优化模型参数等,以更好地解决水质评价和预测问题。我们还将研究 如何将多指标整合到支持向量机模型中,以实现更全面和准确的水质评价和预测。 另外,我们也将实际应用中数据不平衡的问题,寻找更有效的处理方法,以提高 模型的泛化能力。
3、参数优化:支持向量机的性能受参数设置影响较大,因此,一些研究者 通过优化参数来提高支持向量机的性能。例如,Wang等(2020)采用遗传算法对 支持向量机的参数进行优化,有效提高了预测精度。
然而,现有的研究大多单一的水质指标,如何整合多指标进行综合评价和预 测是亟待解决的问题。此外,如何解决不平衡数据集的问题以及如何优化模型的 性能以适应实际应用的需求也需要进一步研究。
研究方法
本次演示采用支持向量机对水质进行评价和预测,主要包括以下步骤:
1、数据预处理:收集水质数据并进行预处理,包括数据清洗、标准化和归 一化等,以消除数据间的量纲和冗余信息。

基于支持向量机的水下目标识别与分类研究

基于支持向量机的水下目标识别与分类研究

基于支持向量机的水下目标识别与分类研究近年来,随着人们对海洋资源的日益重视以及海洋环境保护的要求,水下目标识别与分类技术逐渐成为海洋领域研究的热点之一。

其中,支持向量机(Support Vector Machine,SVM)作为一种基于统计和机器学习的方法,被广泛应用于水下目标识别与分类研究之中。

一、 SVM的基本原理SVM是一种二分类模型,其基本原理是寻找一个最优的超平面(hyperplane),使得能够将两类数据分开。

在二维空间中,超平面为一条直线,可以将两类数据分为正类和负类。

而在高维空间中,超平面为一个超曲面,可以进行多类分类。

SVM的目标是找到一个最大间隔超平面,使得正负样本之间的距离最大化,也就是在该超平面上分类误差最小。

为了实现这一目标,SVM采用了一种叫做“间隔最大化”的思想,通过最大化两类数据样本离超平面的距离来确定最优的超平面。

二、 SVM在水下目标识别与分类中的应用在水下目标识别与分类中,SVM可以通过对不同目标的声学特征进行学习和分类,实现自动识别和分类的功能。

同时,SVM还可以通过训练和测试数据集的构建,不断优化模型的预测能力。

1. 声学特征的提取水下目标识别与分类中,主要采用的声学特征包括频谱特征、时频特征、高阶统计特征等。

这些特征可以通过信号处理技术进行提取和转换,最终形成一个特征向量集合。

2. SVM的训练和测试将提取好的特征向量作为输入,通过训练SVM模型来学习特征向量和目标类别之间的关系。

在训练过程中,SVM利用样本数据的特征向量和标签信息,通过优化模型中的参数,来找到合适的分类超平面。

当SVM训练完成后,可以使用训练好的模型对新的水下目标进行分类。

通过将新的目标特征向量输入到已经训练好的SVM模型中,可以得到相应的分类结果。

三、 SVM在水下目标识别与分类中面临的问题虽然SVM在水下目标识别与分类中具有很高的应用价值,但是仍面临一些问题和挑战。

其中包括:1. 数据集的构建问题。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

学 习能力 不稳定 。a n o v a核 函数计 算结 果 的平 均相 对 误差 1 . 2 4 远小于 r a d i a l 核 函数 的 6 5 . 3 8 ,所 以
初步选用 a n o v a 核 函数作为分层注水效果预测的 S V M 核函数 ( 核函数的具体形式参见文献 [ 6 ] ) 。 表2 中的数据是利用表 1 建立的 2 个模型对 4组检验样本进行检验运算 的结果 ,从结果可 以看出
为学习样本,其余 4口井 的资料作为检验样本 。由于断块油藏的复杂性 ,这些井所在区块 的区块类型、 流 体情况 和井组 连通 情 况各 不相 同 ,所 以选取 的样 本广 泛且具 有代 表性 。
为 了使各种 影 响 因素量 纲不 同造 成 的计算 误差 降到最 小 ,须对样 本 数据 进行 预 处理 ,一 般采用 归 一 化 方法 将样本 数据 统一 到 [ O ,1 ]之间。
律 ,初步 确定选 用 的核 函数及 其 参数 f建 立检 验样本 主要 是为 了检 验这 一潜 在 规律 的正 确性 ,以便 调整 模型 参数 ,最终 建立 完善 的 预测 模 型 。这 两 种样 本 都 是 由输 入 和 输 出数 据 组 成 ,如 前 所 述 ,把 井控 储 量 、渗透 率变异 系数 、连 通 率 、原油 粘度 、月 产油 量 、含水率 、连 通油 井数 和 分注 的分 段数 作为样 本 的
样本 , 1 分 别 等于 1 8和 4 。
用S V M 的回归算法对学习样本进行学习训练 ,认为学习误差满足要求后初步确定 S V M 的模 型 ,
然 后用此 模型对 检 验样 本进 行计 算 ,如果 计算 结果 和样 本 的实际值 相差 很 大 ,那 么 须重 新选 用不 同的核 函数 及其 核 函数 的 可调参 数 [ 6 进行 重新 建模 ,最 终选 取学 习和检 验 误 差都 较 小 的一 组 S VM 参数 建 立分
a , Y 是各个 内积 核 的权重 值 。
2 S V M 模 型 构 建 及 应 用
2 . I 影响 因素及 评 价指标 的 确定
分层注 水措施 是一 个 由多种影 响 因素构 成 的复杂 系统 ,其效 果是 措施 井所 在 的沉 积相 、油藏渗 透率
性 、原 油性 质等 多种 因素共 同作 用的 结果 ,建立 分层 注水 效果预 测模 型要 综合 考 虑 以上 几方 面 。基 于 以
基 于 支 持 向 量 机 的 分 层 注 水 效 果 预 测 模 型 设 计 与 实 现
袁士 宝 ,陈月明 ,蒋海岩 ,陶 军 ( 中国 石油大学石油工程学院。 山 东 东营2 5 7 0 6 1 )
[ 摘要]将影 响分层 注水效果的井控储量 、渗 透率 变异系数、连通率、原 油粘度 、月 产油t 、含 水率、连
择分 注措施 井 。油藏数 值 模 拟方法 可 以进行 分 层注 水 的模 拟 ,有学 者用 数值 模 拟 的方法 对分 注 最佳分 级
进行了有意义的探索口 ] ,但是该方法需要的时间周期较长 、要求数据多 ,无法满足矿场选井快捷而且准
确 的要 求 。为此 ,笔 者将 基 于统 计 学 习 理论 的 S VM ( S u p p o r t Ve c t o r Ma c h i n e s )方 法 L 3 引 入 到分 层 注
通 油 井 数 、 分 注 的分 段 数 作 为 输 入 参 数 ,将 评 价 分 层 注 水 效 果 好 坏 的 无 因 次 增 油 t 作 为 输 出 参 数 , 建 立 了基 于 支 持 向量 机 的分 层 注 水 效 果 预 测 模 型 。 选 用 油 田实 施 井 例 建 立 了支 持 向量 机 的 学 习样 本 和 检 验 样 本 ,使 用 支 持 向量 机 的 回 归 训 练 算 法 对 学 习样 本 进 行 学 习 训 练 , 然 后 对 检 验 样 本 进 行 预 测 运 算 , 结 果 表 明支 持 向量 机 方 法 能 够 达 到 较 高 的预 测 精 度 。 与油 藏 数 值 模 拟 法 和 B P神 经 网络 法 计 算 结 果 进 行 对 比 ,表 明 了支 持 向量 机 方 法 的 预 测 精 度 高 于 其 他 两 种 方 法 ,可 以 用 来 预 测 分 层 注 水 的 效 果 . 指 导 油 田 进 行 分 层
数值和实际值符合很好 ,体现 出 S V M 方法 磊
2 . 3 学 习训 练和检 验

为 了衡量 拟合 与预 测 的效果 ,用 平 均相对 误差 e 作 为评定 效果 好坏 的 指标 [ 5 ] :
_ ■ I , I
e =
n i
X i 0 0 %
( 1 )
式 中, Y 表示拟合时第 个样本 的S V M计算值 f Y 表示第f 个样本的样本值 , 对于本例的学习样本和检验
中石油 统计 资料 表 明从 1 9 9 8  ̄2 0 0 4年 的分 层注 水井 每 年 以上 千 口的速 度 在增 长[ 1 ] 。但 是 在 现场 应 用 过
程 中也 暴露 出管柱 寿命 短 、频 繁作 业 以及 配注层 段合 格率低 等 问题[ 1 ] ,其 中大部 分是 因为选井 决策 失误 造成 的 。分 层注 水效果 是 地质 、开发 和工 艺参 数共 同作用 的结 果 ,对其 进行 科 学 的预 测有助 于 正确地选
维普资讯
石油天然气学报 ( 江汉石油学院学报 ) 2 0 0 6 年6 月 第2 8 卷 第3 期 J o u r n a l o f O i l a n d Ga s T e c h n o l o g y( J . J P I ) J u n . 2 0 0 6 V o 1 . 2 8 N o . 3
输入 参数 ,无 因次增 油 量作 为样 本 的输 出参数 。每 一井 次 的输 入 和输 出数据 作 为一 个样 本 ,综合各 个井 次 的数 据 就构成 了 S VM 样 本集 。
以东 辛油 田实施 的 2 2井 次 分层 注水 的统计 数据 作为 该次研 究 的样本 集 ,随 机选 取 1 8口井 的资料作
上分 析 ,确定 3类参 数作 为分 层 注水 效果 的影 响 因 素 :① 措 施 井基 础 参数 :井控 储 量 ( 1 0 ‘ t ) ;渗透 率 变异 系数 f连通 率 f原油 粘度 ( mP a・s ) 。② 开发 参 数 ;月产 油 量 ( t / mo n ) f含水 率 ( ) f连 通油 井
水效果 预测 中来 ,以实例 说 明计 算过 程 ,并证 实该 方法 的有效 性 。
1 S V M 方法概述
S VM 方 法[ 3 ] 是 由 Va p n i k及 其
输 出( 输出规则) :
Y = s g n ( ∑n j Y K ( x . ) 舶)
权 重值a l Y l
石油天然气学报 ( 江汉石 油学院学 报)
2 0 0 6 年 6 月
图 1中 ,∑ 中 即支持 向量 ( S u p p o r t Ve c t o r ) ,s . v . 一s ( s 为支 持 向量 的个 数 ) ; k ( x , z )是 S VM 的
v.
核 函数 f 蕾 为支 持 向量 的样 本 因子 向量 , f 一1 , 2 ’ . . ・ , s f z为待 预测 因子 向量 f 6为建 立 模型 待确 定 的系数 f
支持 向 量 构 成 拟 合 函数 ,利 用 得 出 的拟 合 函数对 未 知 数 据 列 做 出预 测 , 其 过程参 见 图 1 。
工。
基于 个支持向量 l , x 2 。 …X s 的非线性变换( 内积)
输入 向量× = ( l , X 2 , …X d )
图 1 支 持 向量 机 示 意 图
r a d i a l 核 函数 计算 结果 仍然 不稳 定 ,检 验样 本 的 1 和 2相对 误 差小 于 2 % ,而 样 本 3和 4的 相对 误 差 却 大于 z o %。a n o v a核 函数 计 算 结 果 的平 均 相 对 误 差 7 . O 2 小于 r a d i a l 核 函数 的 1 2 . 6 % ,且 计算 稳 定 , 所 以最终 确定选 用 a n o v a核 函数来 建立 分层 注水 效果 预测 的 S V M 模 型。
[ 收稿 日期]2 0 0 6—1 1—2 4 [ 基金项 目]中国石油化 工集 团公 司科技攻关项目 ( P 0 3 0 2 5 ) 。 [ 作者简介]袁士宝 ( 1 9 7 7 一 ) 。男 。2 0 0 1 年大 学毕业 。博士 生 。 现主要从事油藏工程方面的研究 工作。
维普资讯
合作 者 提 出 的一 种 基 于 统 计 学 习 理 论 的机 器 学 习 方 法 ,它 采 用 结 构 风
险最 小 化 原 则 ,对 处 理 高 维 数 、小
样本 、非 线 性 等 复 杂 的 问题 具 有 很 好 的适 应 性 。S VM 方 法 在 进行 函 数 逼 近的 运 算 时可 以 从 学 习 样 本 中 挑 选 出少 数 具 有 代 表 性 的 样 本 即 所 谓
注水 选 井 工作 。
[ 关键词]支持 向量机 1分 层注水I预测 I模 型I油藏数值 模拟 [ 中图分类号]TE 3 5 7 . 6 2 [ 文献标识码]A [ 文章编号]1 0 0 0—9 7 5 2( 2 0 0 6 )0 3— 0 1 3 1 — 0 4
分层 注水是 指在 注水 井下 封 隔 器 ,把 性 质差异 较 大的油层 分 隔开 ,再 用配 水 器进 行分 层 配水 ,使得 高 渗层注 水量 得到控 制 ,中低渗 油层 注 水得 到加 强 的一种工 艺措 施 。分层 注水 措 施是 油 田注水 井 的基本 措施 之 一 , 目前 在 国内各个 油 田应 用 十分广 泛 ,在全 国各 油 田已经 开 展 了 3 0多 年 ,随 着 工艺 技 术 的不 断完善 ,分层 注水 在注 水 开发 、稳 产 中发挥 了重 要 的作用 。胜 利油 田在 2 0 0 4年 分 注 率就 达 到 4 5 9 , 6 袁士宝等 :基于支持 向量机 的分层注水效 果预 测模 型设 计与实现
相关文档
最新文档