混沌时间序列分析方法研究及其应用

论文摘要

对于油田生产来说，要保证一个好的经济效益，就必须有一个高的、稳定的产油量。这是油田生产开发的中心任务。油田产量预测是科学管理油田和制定经济计划的依据。目前，各油田已拥有一套完善的包括单井数据在内的油田产量数据管理系统，急需将这些数据利用起来具体地指导油田的实际生产开发。 油田开发是一个复杂的非线性动力学系统，油田产量变化受多种因素控制，导致其表现形式既有确定性又有随机性。总的来说，油田产量预测是一个多因素非线性预测问题。目前所采用的油田产量预测方法的预报相对误差都在10％左右，并且这些方法对油田开发过程的时变性和各种随机干扰因素具有不适应性。因此，有必要借助于其它的分析工具对油田产量进行预测。我们可以得到油田产量的历史数据，可将这些数据看成是时间序列并利用时间序列分析的方法对其进行建模及预测。 本论文以油井产量时间序列为对象，对RLS算法、混沌时间序列性质鉴别方法、混沌时间序列预测方法等进行了深入细致的研究。 论文首先分析RLS算法的性能，在此基础上为了提高收敛速度，提出一种改进的RLS算法，利用改进的RLS算法对某油田油井产量进行了建模及预测。通过对预测结果的分析发现RLS预测方法不能对油井产量进行精确地多步预测。 其次，为了更好的了解油井产量时间序列地性质，利用相空间重构方法重构该序列的吸引子，并计算其维数和最大Lyapunov指数，指出油井产量时间序列具有混沌特征。同时，针对伪近邻算法效率低的缺点，提出一种快速伪近邻法选择嵌入维数的新方法，该方法可将原算法时间复杂度由从O（M（M-1））降低到O（3M）。 再次，对训练支持向量机的序列最小优化方法进行了深入研究，针对原算法选取工作集过于随机的缺点，提出一种基于遗传算法选择工作集的新方法，该方法能够保证每次所选取的工作集使得目标函数变化最大，从而使目标函数尽快向极值收敛。仿真结果表明，该方法可大大加快训练速度；同时，针对以往支持向量机参数选取过于主观的缺点，提出了基于遗传算法方法选择支持向量机参数的方法，仿真结果表明，这种新的参数选择方法可在不明显增加支持向量个数的基础上减小泛化误差。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景、目的和意义
• 1.2 时间序列分析简介
• 1.2.1 时间序列分析
• 1.2.2 应用领域
• 1.2.3 建模方法
• 1.3 时间序列自适应建模方法
• 1.3.1 基于LMS算法的Wiener滤波器
• 1.3.2 基于Kalman滤波理论的自适应建模方法
• 1.4 混沌时间序列分析
• 1.4.1 混沌的定义
• 1.4.2 典型混沌动力学模型
• 1.4.3 时间序列的相空间重构
• 1.4.4 时间序列性质鉴别
• 1.4.5 混沌时间序列预测
• 1.5 油井产量时间序列的预处理方法
• 1.5.1 取对数操作
• 1.5.2 差分操作
• 1.6 论文的主要工作
• 第2章 改进的RLS算法及其应用
• 2.1 引言
• 2.2 RLS算法及其性能分析
• 2.2.1 RLS算法
• 2.2.2 初始化方法及初始超调现象分析
• 2.2.3 均值及均方行为分析
• 2.3 改进的RLS算法及其性能分析
• 2.3.1 改进的RLS算法
• 2.3.2 改进的RLS算法性能分析
• 2.4 改进的RLS算法的仿真结果及分析
• 2.4.1 仿真结果
• 2.4.2 仿真结果分析
• 2.5 油井产量预测
• 2.5.1 月产油量预测
• 2.5.2 月产水量预测
• 2.5.3 多步预测
• 2.6 本章小结
• 第3章 基于相空间重构的时间序列性质鉴别
• 3.1 引言
• 3.2 相空间重构和Takens定理
• 3.3 确定相空间重构参数的方法
• 3.3.1 互信息法确定延迟时间
• 3.3.2 Cao提出的伪近邻法
• 3.4 改进的伪近邻法
• 3.4.1 方法介绍
• 3.4.2 仿真结果
• 3.5 油井产量时间序列相空间重构参数确定
• 3.6 油井产量时间序列吸引子及其维数
• 3.6.1 油井产量时间序列吸引子
• 3.6.2 油井产量时间序列吸引子维数计算
• 3.7 油井产量时间序列的最大Lyapunov指数
• 3.7.1 Lyapunov指数
• 3.7.2 计算Lyapunov指数的Wolf方法
• 3.7.3 油井产量时间序列的最大Lyapunov指数
• 3.8 本章小结
• 第4章 基于支持向量机的时间序列预测方法
• 4.1 引言
• 4.2 统计学习理论和VC维
• 4.2.1 推广性的界和VC维
• 4.2.2 结构风险化最小
• 4.3 支持向量机
• 4.3.1 支持向量机的基本原理
• 4.3.2 支持向量回归原理
• 4.4 核函数
• 4.4.1 核函数定义
• 4.4.2 核函数的构造方法
• 4.5 序列最小优化训练算法
• 4.6 基于遗传算法的工作集选择方法
• 4.6.1 传统的工作集选择方法
• 4.6.2 遗传算法简介
• 4.6.3 基于遗传算法的工作集选择方法
• 4.7 支持向量机训练算法小结
• 4.8 基于支持向量机的混沌时间序列预测方法
• 4.9 基于遗传算法的支持向量机参数选取方法
• 4.9.1 支持向量机泛化能力估计
• 4.9.2 基于遗传算法的参数选择方法
• 4.10 仿真结果及分析
• 4.11.1 基于遗传算法的工作集选择方法的有效性分析
• 4.10.2 基于遗传算法的参数选择方法的有效性分析
• 4.11 基于支持向量机的油井产量预测
• 4.12 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历