期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
核主成分分析与支持向量机模型在储层识别中的应用 被引量:4
1
作者 庞河清 匡建超 +3 位作者 王众 刘海松 蔡左花 黄耀综 《物探与化探》 CAS CSCD 2012年第6期1001-1005,1013,共6页
针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别。该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实... 针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别。该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别。由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能。将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法。 展开更多
关键词 核主成分 支持向量机 kpca-svm模型 储层判别 新场须二气藏
下载PDF
核主成分支持向量机模型在蒸发预测中的应用 被引量:2
2
作者 邵年华 沈冰 +1 位作者 秦胜英 戴玉萍 《北京师范大学学报(自然科学版)》 CAS CSCD 北大核心 2010年第3期307-310,共4页
核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的LSSVM模型的预测效果优于没... 核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的LSSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好. 展开更多
关键词 核主成分分析 支持向量机 蒸发量 kpca-svm模型
下载PDF
KPCA_SVM水文时间序列预测模型的建立与应用 被引量:4
3
作者 邵年华 沈冰 +1 位作者 黄领梅 戴玉萍 《西北农林科技大学学报(自然科学版)》 CSCD 北大核心 2009年第9期204-208,共5页
【目的】建立水文时间序列预测的核主成分支持向量机(KPCA_SVM)模型。【方法】利用核主成分分析(KPCA)对输入数据进行非线性特征信息提取,并将提取的特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA_SVM预测模型。以甘肃民... 【目的】建立水文时间序列预测的核主成分支持向量机(KPCA_SVM)模型。【方法】利用核主成分分析(KPCA)对输入数据进行非线性特征信息提取,并将提取的特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA_SVM预测模型。以甘肃民勤地区的月蒸发量为例,对模型的预测效果进行检验。【结果】预测结果表明,KPCA_SVM模型预测效果优于PCA_SVM模型和LSSVM模型,预测平均相对误差为8.36%。【结论】KP-CA_SVM模型的预测效果优于没有特征提取的LSSVM模型。与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好。 展开更多
关键词 水文时间序列 蒸发量 核主成分分析 支持向量机 kpca_svm模型
下载PDF
基于KPCA-CS-SVM的埋地管道外腐蚀速率预测研究 被引量:6
4
作者 黄港港 周阳 +1 位作者 闫骁瑾 王寿喜 《热加工工艺》 北大核心 2022年第16期38-43,共6页
针对埋地管道外腐蚀速率预测问题,首先对影响埋地管道外腐蚀速率的相关因素进行简单分析,在此基础上,对KPCA算法(核主成分分析算法)、CS算法(布谷鸟算法)以及SVM算法(支持向量机算法)进行原理介绍,阐述KPCA-CS-SVM算法的构建方法,使用KP... 针对埋地管道外腐蚀速率预测问题,首先对影响埋地管道外腐蚀速率的相关因素进行简单分析,在此基础上,对KPCA算法(核主成分分析算法)、CS算法(布谷鸟算法)以及SVM算法(支持向量机算法)进行原理介绍,阐述KPCA-CS-SVM算法的构建方法,使用KPCA-CS-SVM模型对实际管道的62组管道外腐蚀速率数据及腐蚀影响因素数据进行学习,对12组数据进行预测和验证,并与KPCA-PSO-SVM模型、KPCA-GA-SVM模型以及KPCA-LS-SVM模型进行对比,以此验证本次研究所提模型的先进性。结果表明:KPCA算法能有效的降低腐蚀速率预测影响因素的维度,通过使用KPCA算法对外腐蚀速率的影响因素进行分析可以发现,土壤的氧化还原电位、土壤电阻率以及土壤中的氧含量对于埋地管道外腐蚀速率的影响最大;使用KPCA-CS-SVM模型对管道外腐蚀速率预测的平均绝对误差仅有1.89%,决定系数为0.9993,模型训练时间仅为4.928 s,这3项数据均优于其它模型。研究证明,对于埋地管道外腐蚀速率预测而言,KPCA-CS-SVM模型是一种较为优越的算法,可得到推广和应用。 展开更多
关键词 kpca-CS-svm模型 埋地管道 外腐蚀 影响因素 速率预测
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部