论文部分内容阅读
在计算智能方法中，支持向量机（SVM）是一种很好的分类识别方法，它具有很好的处理非线性的能力，良好的分类识别精度和泛化推广能力，目前在诸多领域得到广泛应用。然而，传统支持向量机中还存在核函数及其参数的选择问题，为了提高分类识别精度，本文主要研究基于半定规划的支持向量机，以及其在石油测井中的应用。主要研究工作和创新点如下：（1）基于量子文化PSO的支持向量机的研究。为了优选SVM模型中的相关参数和克服PSO在SVM训练中易于陷入局部极小问题，研究了基于量子文化PSO的支持向量机（QCPSO-SVM）方法，即采用QCPSO算法进行SVM的参数优化，其中QCPSO采用量子算法简化了迭代过程，采用文化算法扩大了搜索空间，这样可以避免陷入局部极小。典型分类仿真表明QCPSO-SVM的识别精度得到较大提高。（2）半定规划支持向量机的研究。为了解决SVM中核函数及参数的选取，以及进化计算的进化操作较为繁复等问题，从多核核函数组合角度出发，研究了基于半定规划的支持向量机分类方法（SDP-SVM），即采用半定规划方法求解多核核函数的组合工作参数，仿真实验表明SDP-SVM的识别精度优于常用SVM方法。（3）SDP-SVM方法在实际测井中的应用研究。为了解决现有识别方法在复杂油气层识别中存在识别准确率低、泛化能力差等问题，首次将SDP-SVM方法应用到实际油层识别中，应用结果表明其识别效果显著，与PSO-SVM方法和QCPSO-SVM方法相比，其识别精度最高，具有广阔的应用前景。