计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2014年
z2期
430-431,450
,共3页
测井岩性识别%SVM%最优数据
測井巖性識彆%SVM%最優數據
측정암성식별%SVM%최우수거
Logging lithology identification%SVM%Optimal data
岩土作为一种极其复杂的材料,通常会受到外界多种因素的影响而发生变化,这些影响因素既包括断层、裂隙、雨水冲刷和腐蚀等天然环境因素,也包括众多的人为因素,从而导致测井岩性的识别会产生大量的干扰数据.在对大数据量的信息寻优处理的算法中,支持向量机(Support Vector Machine,SVM)是一种受到广泛关注的寻优方法.但是传统的SVM寻优方法存在耗时长的缺陷,因此将传统SVM寻优当中的留一交叉法改为K折交叉法,并利用这种优化的SVM对测井岩性数据进行寻优处理,来进行测井岩性的识别.对比试验结果表明,相对于传统支持向量机的寻优算法,该方法具有识别正确率高、收敛速度快等优点.
巖土作為一種極其複雜的材料,通常會受到外界多種因素的影響而髮生變化,這些影響因素既包括斷層、裂隙、雨水遲刷和腐蝕等天然環境因素,也包括衆多的人為因素,從而導緻測井巖性的識彆會產生大量的榦擾數據.在對大數據量的信息尋優處理的算法中,支持嚮量機(Support Vector Machine,SVM)是一種受到廣汎關註的尋優方法.但是傳統的SVM尋優方法存在耗時長的缺陷,因此將傳統SVM尋優噹中的留一交扠法改為K摺交扠法,併利用這種優化的SVM對測井巖性數據進行尋優處理,來進行測井巖性的識彆.對比試驗結果錶明,相對于傳統支持嚮量機的尋優算法,該方法具有識彆正確率高、收斂速度快等優點.
암토작위일충겁기복잡적재료,통상회수도외계다충인소적영향이발생변화,저사영향인소기포괄단층、렬극、우수충쇄화부식등천연배경인소,야포괄음다적인위인소,종이도치측정암성적식별회산생대량적간우수거.재대대수거량적신식심우처리적산법중,지지향량궤(Support Vector Machine,SVM)시일충수도엄범관주적심우방법.단시전통적SVM심우방법존재모시장적결함,인차장전통SVM심우당중적류일교차법개위K절교차법,병이용저충우화적SVM대측정암성수거진행심우처리,래진행측정암성적식별.대비시험결과표명,상대우전통지지향량궤적심우산법,해방법구유식별정학솔고、수렴속도쾌등우점.
