论文部分内容阅读
分类与识别问题是数据挖掘领域的最重要的一个分支问题，常见的分类与识别方法有很多种，当前发展前景较好的分类与识别方法有支持向量机(SVM)、相关向量机(RVM)等。由于RVM是基于贝叶斯框架的稀疏学习概率模型，相比SVM等其它分类与识别方法，它具有核函数计算量少、模型稀疏等优点，并且有较高的分类准确率。然而RVM也存在核参数需要优化等问题，为此，本论文研究相关向量机及其改进方法，并应用于石油测井数据挖掘之中，其主要工作或创新如下：（1）基于量子文化PSO的相关向量机的改进与研究。为了解决相关向量机（RVM）的核参数优化问题，以及PSO在RVM训练中容易陷入局部极小等缺陷，研究了基于量子文化PSO的相关向量机方法（QCPSO-RVM），其中QCPSO算法将PSO融入了量子计算和文化进化思想，可以实现全局收敛。典型分类实例仿真结果表明，QCPSO-RVM的分类准确率高于PSO-RVM和传统RVM的分类准确率，且QCPSO收敛比PSO快。（2）基于二阶锥规划方法的相关向量机的提出与研究。基于多核核函数组合思想，构造出多核相关向量机模型，为了解决多核核函数组合工作参数的选取问题，提出采用二阶锥规划（SOCP）方法进行优化求解，进而开辟一种基于二阶锥规划的相关向量机（SOCP-RVM）的方法。典型分类实例仿真结果表明，SOCP-RVM的分类效果显著，其分类准确率高于QCPSO-RVM、PSO-RVM和传统RVM的分类准确率。（3）实际测井油气层识别应用。为了检验SOCP-RVM的实际应用效果，选取部分油田中的三口典型油气井的实际测井资料进行处理，经过样本选取与预处理，采用SOCP-RVM对经过属性约简的样本集进行建模和全井段的分类识别，与试气试油结论对比，识别效果很好，其识别精度高于QCPSO-RVM、PSO-RVM和传统RVM的识别精度，完全满足测井行业标准和实际测井要求。