發(fā)布時間：2017-10-28 18:06

  本文關鍵詞：基于核方法的煤層厚度變化預測模型及應用研究

  更多相關文章： 最小二乘支持向量機 簡單多核學習 煤層厚度預測 地震屬性技術 相空間重構

【摘要】：煤層厚度是煤礦設計與開采過程中重要的信息,準確地預測煤層厚度,能夠給煤礦生產提供有力的地質保障。煤層在地震勘探中屬于薄層,其薄層厚度預測一直是公認的難題之一,傳統(tǒng)的預測方法一般是利用鉆孔資料的內插對比獲得,但是由于鉆孔成本較高,鉆孔密度不大,因此其應用范圍有很大的局限性。三維地震資料具有大面積密集采集信息的優(yōu)勢,因此可以利用豐富的地震信息解決煤層厚度問題,三維地震勘探因其技術先進、分辨率高,目前已成為解決煤礦地質問題的主要手段之一。論文以石拉烏素煤礦首采區(qū)為研究區(qū),結合研究區(qū)地質勘探數(shù)據(jù)及三維地震勘探資料,提出了地震屬性技術與核方法相結合的煤層厚度預測方法,在仿真模擬研究的基礎上,進行了實際應用驗證。論文主要進行了5個方面的研究工作:(1)研究了三維地震屬性技術,概括了三維地震屬性分類、提取和優(yōu)化三個環(huán)節(jié),并對常用的地震屬性的定義及地質用途進行了深入研究。重點研究了灰色關聯(lián)分析優(yōu)化地震屬性的方法,在進行預測模型訓練之前,對提取的三維地震屬性進行優(yōu)選,提取出與煤層厚度關聯(lián)性比較大的幾種屬性,作為訓練模型的特征值,不僅能提高預測的精度,而且降低了算法的時間復雜度和空間復雜度。(2)研究了最小二乘支持向量機及簡單多核學習理論,運用耦合模擬退火算法優(yōu)化最小二乘支持向量機正則化參數(shù)r和核寬度s,提出用k-折交叉驗證方法優(yōu)選簡單多核學習的正則化參數(shù)C。(3)以一個非線性函數(shù)和Lorenz系統(tǒng)產生的混沌時間序列預測作為仿真實例,對最小二乘支持向量機及簡單多核學習進行了預測能力仿真試驗。利用耦合模擬退火算法優(yōu)化得到最小二乘支持向量機的參數(shù)r和核參數(shù)s,采用交叉驗證方法優(yōu)選簡單多核學習的正則化參數(shù)C。并提出了基于相空間重構的最小二乘支持向量機/簡單多核學習模糊時間序列預測方法。同時為衡量預測模型的精確性,采用絕對誤差,相對誤差、均方誤差及相關系數(shù)等作為評價模型整體預測效果的指標,并通過非線性函數(shù)的內插預測,外推預測,抗噪能力,分析了預測模型的通用性。(4)結合Kriging插值,提出基于最小二乘支持向量機模型和Kriging的煤層厚度預測研究,用最小二乘支持向量機重構變差函數(shù)模型,可根據(jù)不同的數(shù)據(jù)特征進行變異函數(shù)的自適應擬合,提高了煤層厚度預測精度。最后,利用球狀函數(shù)、指數(shù)函數(shù)、高斯函數(shù)、最小二乘支持向量機作為變差函數(shù)模型分別對研究區(qū)煤層厚度進行了預測,并通過交叉驗證方法對上述函數(shù)模型進行了精度比較。(5)結合灰色關聯(lián)分析、地震屬性技術,把最小二乘支持向量機和簡單多核學習用于預測煤層厚度。提出基于灰色關聯(lián)分析及最小二乘支持向量機/簡單多核學習煤層厚度預測研究,結合研究區(qū)三維地震和實際鉆孔資料,首先提取多種地震屬性和煤層厚度信息,然后用灰色關聯(lián)分析優(yōu)選地震屬性,減少了核方法輸入樣本的維數(shù),降低了時間復雜度和空間復雜度,并利用耦合模擬退火算法優(yōu)化得到最小二乘支持向量機的參數(shù)r和核參數(shù)s,采用交叉驗證方法優(yōu)選簡單多核學習的正則化參數(shù)C,分別把實際鉆孔附近的優(yōu)選后的屬性和對應的煤層厚度作為最小二乘支持向量機/簡單多核學習輸入輸出進行訓練,得到煤層厚度預測模型,并采用絕對誤差和相對誤差進行精度分析,取得了較好的預測效果,最后將預測模型用于整個研究區(qū)煤層厚度的預測,并對煤層厚度實現(xiàn)了基于可視化工具包VTK的三維可視化展示,取得了較好的效果。
【關鍵詞】：最小二乘支持向量機 簡單多核學習 煤層厚度預測 地震屬性技術 相空間重構
【學位授予單位】：中國礦業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：P631.4;TD821
【目錄】：

• 致謝4-5
• 摘要5-7
• Abstract7-10
• Extended Abstract10-22
• 1 緒論22-34
• 1.1 研究背景和意義22-23
• 1.2 國內外研究現(xiàn)狀23-30
• 1.3 研究內容與技術路線30-31
• 1.4 論文的結構與安排31-34
• 2 核方法理論34-49
• 2.1 最小二乘支持向量機34-39
• 2.2 簡單多核學習39-42
• 2.3 參數(shù)優(yōu)化42-48
• 2.4 核函數(shù)48
• 2.5 本章小結48-49
• 3 地震屬性技術及優(yōu)化49-61
• 3.1 地震屬性技術49-51
• 3.2 地震屬性定義及地質意義51-54
• 3.3 地震屬性的優(yōu)化54-59
• 3.4 本章小結59-61
• 4 模型仿真及精度分析61-76
• 4.1 非線性函數(shù)內插仿真試驗61-63
• 4.2 非線性函數(shù)外推仿真試驗63-65
• 4.3 抗噪音性能仿真試驗65-68
• 4.4 非線性時間序列仿真試驗(68-75
• 4.5 本章小結75-76
• 5 實例應用及結果分析76-105
• 5.1 研究區(qū)概況76-85
• 5.2 基于LS-SVM模型的Kriging方法煤層厚度預測85-93
• 5.3 基于灰色關聯(lián)分析及核方法的煤層厚度預測93-99
• 5.4 煤層三維可視化99-104
• 5.5 本章小結104-105
• 6 結論與展望105-107
• 6.1 主要結論105
• 6.2 創(chuàng)新點105-106
• 6.3 研究展望106-107
• 參考文獻107-119
• 附錄 1119-122
• 作者簡歷122-124
• 學位論文數(shù)據(jù)集124

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陶肖靜;朱建軍;田玉淼;;半?yún)?shù)模型中影響正則化參數(shù)的因素分析[J];武漢大學學報(信息科學版);2012年03期

2 李凌志;李駿;盧炳武;劉英杰;劉克;;平面近場聲全息中正則化參數(shù)的確定[J];聲學學報;2010年02期

3 趙紅蕊;唐中實;李小文;;線性正則化遙感反演中正則化參數(shù)的確定方法[J];武漢大學學報(信息科學版);2007年06期

4 趙紅蕊;唐中實;李小文;;非線性不適定遙感反演中正則化參數(shù)的定量確定[J];武漢大學學報(信息科學版);2008年06期

5 胡彬;夏峗;喻建華;;算子非精確條件下確定正則化參數(shù)的一種方法[J];江西師范大學學報(自然科學版);2014年01期

6 李浩;病態(tài)方程Tikhonov正則化方法的最優(yōu)正則化參數(shù)[J];科學通報;1992年11期

7 胡志剛;花向紅;;利用最優(yōu)正則化方法確定Tikhonov正則化參數(shù)[J];測繪科學;2010年02期

8 徐會林;;一種選取線性不適定問題正則化參數(shù)的迭代算法[J];江西科學;2010年04期

9 王振杰,歐吉坤,柳林濤;一種解算病態(tài)問題的方法——兩步解法[J];武漢大學學報(信息科學版);2005年09期

10 張業(yè)榮,聶在平,漆蘭芬;改善非均勻介質重建中解穩(wěn)定性的方法[J];電子學報;1998年09期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 蘇明旭;董黎麗;蔡小舒;徐峰;任寬芳;;消光測粒反演方法的正則化參數(shù)優(yōu)化[A];中國顆粒學會2006年年會暨海峽兩岸顆粒技術研討會論文集[C];2006年

2 胡志剛;;一種新的Tikhonov正則化參數(shù)優(yōu)化選取方法及其在測量中的應用[A];中國測繪學會九屆四次理事會暨2008年學術年會論文集[C];2008年

3 解凱;呂妍昱;;基于隱含重起ARNOLDI過程的參數(shù)估計[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

4 張輝;牛中奇;馬峰全;張曉娣;;二維介質重構的方法研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（上冊）[C];2007年

5 胡志剛;;一種新的Tikhonov正則化參數(shù)優(yōu)化選取方法及其在測量中的應用[A];第十屆中國科協(xié)年會論文集（一）[C];2008年

6 賈文強;陳進;李加慶;楊超;;波疊加在噪聲源識別中的應用研究[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

7 翁愛華;肖占山;徐世浙;;變正則化參數(shù)的地面核磁共振數(shù)據(jù)反演[A];中國地球物理第二十一屆年會論文集[C];2005年

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 陳優(yōu)闊;基于核方法的煤層厚度變化預測模型及應用研究[D];中國礦業(yè)大學;2016年

中國碩士學位論文全文數(shù)據(jù)庫 前7條

1 文念;基于波束形成的MEG源定位性能研究[D];南京郵電大學;2015年

2 趙曉玉;兩類反問題的高階修正方法[D];山東師范大學;2016年

3 馮潔婷;正則化參數(shù)選擇與高速率刺激聽覺誘發(fā)腦電信號重建的研究[D];南方醫(yī)科大學;2012年

4 胡彬;基于模型函數(shù)方法的正則化參數(shù)選取[D];東華理工大學;2012年

5 朱程;MSAD方法正則化參數(shù)的選擇及其有效性探究[D];南方醫(yī)科大學;2014年

6 韓超;基于壓縮感知和稀疏重建的GPR地層厚度估計[D];華南理工大學;2014年

7 張培;基于空間域的超聲層析成像方法研究[D];中北大學;2012年

，

本文編號：1109332