基于支持向量机的低阻油气层识别算法研究

论文摘要

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法,它已经成为继神经网络之后,机器学习领域的研究热点。因为它具有很多优点,现已被广泛地应用于模式识别、回归估计、概率密度估计等方面,并取得了良好的应用效果。油气识别属于典型的模式识别问题,由于油气成因的复杂性,许多学习方法用于油气识别都未能取得很好的应用效果。本文在详细研究支持向量机基础理论之上,将这一新的学习方法应用于油气识别,通过与Bayes方法应用于油气识别相比较,证明了支持向量机方法用于该领域的有效性。本文的主要内容包括以下几个部分:(1)介绍了支持向量机的基础理论知识—机器学习和统计学习理论。包括机器学习中问题的表述方法,几种主要问题的表现形式,统计学习理论中VC维概念和结构风险最小化这一核心内容;(2)研究了支持向量机的数学模型及其推导过程,讨论了核函数的引入方法;(3)给出了支持向量机的求解算法,在此基础上,详细介绍了针对大量数据样本的序贯最小优化算法;(4)分析了油气样本的选取原则,探讨了Bayes方法的理论基础知识,研究了基于Bayes方法的油气识别算法;(5)研究了支持向量机应用于油气识别的有效性,并与Bayes方法进行了比对,证明了支持向量机应用于油气识别的可行性。

论文目录

• 摘要
• ABSTRACT
• 引言
• 1 论文选题的背景和意义
• 2 支持向量机的研究现状
• 3 支持向量机较传统学习方法的优点
• 4 课题来源和本文的研究内容
• 第1章 机器学习及统计学习理论
• 1.1 机器学习问题的历史研究
• 1.2 机器学习研究的主要问题
• 1.3 经验风险最小化
• 1.4 复杂性与推广能力
• 1.5 统计学习理论
• 1.5.1 VC 维
• 1.5.2 推广性的界
• 1.5.3 结构风险最小化
• 第2章 支持向量机理论概述
• 2.1 线性可分情况
• 2.1.1 最优分类超平面的概念
• 2.1.2 构造最优分类超平面
• 2.2 近似线性可分情况下的最优分类超平面
• 2.3 非线性可分情况时的最优分类超平面——支持向量机
• 2.4 几种分类情况之间的相互联系
• 2.5 支持向量机的核函数
• 2.5.1 支持向量机中常见的几种核函数
• 2.5.2 核函数的作用
• 2.6 支持向量机的多类别分类方法
• 第3章 支持向量机算法实现
• 3.1 支持向量机训练算法的发展
• 3.2 序贯最小优化算法
• 3.2.1 两点解析解
• 3.2.2 其他相关变量的更新
• 3.2.3 待优化变量的选择及SMO 算法步骤
• 第4章 基于 BAYES 方法的低阻油气识别
• 4.1 油气样本的选择
• 4.2 BAYES 判别的基本理论
• 4.2.1 判别准则
• 4.2.2 线性判别函数
• 4.2.3 判别效果的检验
• 4.3 BAYES 用于油气识别
• 第5章 基于支持向量机的低阻油气识别
• 5.1 基于LIBSVM 软件包的支持向量机油气分类算法实现
• 5.1.1 Libsvm 的数据格式
• 5.1.2 训练及预测
• 5.2 基于SMO 算法的支持向量机油气识别实现
• 5.3 BAYES与支持向量机两种方法结果比较
• 总结
• 参考文献
• 附录 A
• 攻读硕士期间发表的论文
• 致谢
• 详细摘要