基于椭圆基函数动态模糊神经网络的储层特征预测

储层流动单元指数(FZI)能够从岩石物理相的角度体现出孔渗关系,可作为孔渗关系分析的辅助性参数。为了在孔隙度、渗透率未知的情况下对逐个采样点求取FZI,在分析泌阳凹陷白云岩分布区关键井的岩心数据和多种测井资料的基础上,建立了一种基于椭圆基函数(Ellipse Basis Function)的模糊神经网络FZI预测模型,该预测系统可根据学习样本自行创建或删减模糊规则。测井资料信息量庞大,因此这种具有自学习机制的预测系统有利于有效信息的提取和利用,特别对于复杂储层而言,减轻了预测过程中对先验信息的依赖程度,因而效率和精度更高。     

动态流动单元研究

动态流动单元是在前人关于流动单元研究基础上的发展。动态流动单元的研究不仅以岩石地质、物理性质为基础,还引入油藏流体性质参数。在开发过程中油藏流体是变化的,因此动态流动单元也是变化的。在开发的不同阶段有不同的流动单元分布特点,开发初期确定的动态流动单元代表着油藏原始状态。文中以某油田Ｊ２井为例,用三种不同的方法选用流动系数、存储系数、净／毛厚度比、含油饱和度和饱和度中值压力为特性指标,用模糊ＩＳＯＤＡＴＡ划分动态流动单元。把流动单元的静态和动态对比分析发现：动态流动单元更接近开发,可以直接为开发方案的调整提供依据。     

模糊聚类和模糊识别法的流动单元分类新方法

单纯应用聚类分析划分流动单元容易出现聚类指标的优劣交叉现象，从而给流动单元的分类带来困难。为此提出了基于模糊聚类和模糊识别相结合划分流动单元的新方法，并以CN油田C9井区流动单元研究为例，对两种方法的划分结果进行了对比。结果表明，新方法很好地解决了流动单元划分指标的匹配问题，同时还可以有效地实施人工干预，加入人脑思维信息，使分类结果更符合客观实际，在油田生产实际中取得了很好的应用效果。     

模糊聚类和模糊识别法的流动单元分类新方法

单纯应用聚类分析划分流动单元容易出现聚类指标的优劣交叉现象 ,从而给流动单元的分类带来困难。为此提出了基于模糊聚类和模糊识别相结合划分流动单元的新方法 ,并以CN油田C9井区流动单元研究为例 ,对两种方法的划分结果进行了对比。结果表明 ,新方法很好地解决了流动单元划分指标的匹配问题 ,同时还可以有效地实施人工干预 ,加入人脑思维信息 ,使分类结果更符合客观实际 ,在油田生产实际中取得了很好的应用效果。     

基于模糊神经网络逆方法的单元机组协调控制

针对单元机组控制对象强耦合、非线性、数学模型难以确定的特点,将逆方法控制用于多变量复杂单元机组控制系统中,在对逆系统的实现上不是采用传统意义上的显示解析表达式,而是采用动态神经网络,构造出非解析形式实现上的逆系统, 将神经网络逆系统与常规PID控制结合建造成闭环系统,应用于单元机组协调控制系统中.通过仿真研究,结果表明:这种新的控制方案不仅具有满意的控制性能,而且具有较强鲁棒性和抗干扰性能,它显著提高了协调控制系统在机组负荷工况变化时的适应性和控制品质.     

模糊神经网络的发展

介绍了模糊神经网络及其提出,论述了模糊神经网络现状,探讨了模糊神经网络的不足与展望。     

储层流动单元划分及描述的分析方法

介绍了流动单元研究的基本理论和方法.利用测井资料,分别对江苏油田真12块垛一段六油组和克拉玛依油田八区克上组砾岩油藏储层进行了流动单元划分.将江苏油田真12块垛一段六油组划分为4类流动单元,给出了各类流动单元参数及物性特征参数.将克拉玛依油田八区克上组砾岩油藏划分为5类流动单元,分析了各流动单元的物性特征,阐明了不同级别流动单元分布、特点及其与沉积微相、隔夹层的关系.     

带有时滞和脉冲的模糊细胞神经网络的全局指数稳定性

主要讨论了带有时滞和脉冲的模糊细胞神经网络的全局指数稳定性.在合适的条件下,利用不动点定理、M-矩阵原理和Lyapunov函数技巧,获得了该系统平衡点的全局指数稳定性.     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

基于神经网络的模糊推理预测方法

将模糊推理技术与神经网络结合．利用模糊集理论来处理输入、输出信息，借助神经网络系统来完成推理、判断与知识的记忆存储及学习．从而给出了基于神经网络的模糊推理预测模型。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于模糊神经网络提取我国经济增长的模糊规则(Ⅱ)

利用神经网络的自适应、自学习等特点和模糊系统人脑性等特点来弥补相互的缺点，二者结合产生一种基于神经网络的模糊系统，采用BP算法对系统参数进行调整，最后用该系统提取我国经济增长的模糊规则。     

基于动态递归神经网络的动态矩阵控制

给出了劝态递归神经网络（DRNN）重构一个非线性动态过程的方法,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征,容易实现并进行稳定性分析,利用训练好的网络作为预估模型,设计了基于DRNN的动态矩阵控制算法,仿真结果表明了权值调整算法和控制策略的有效性。     

模糊超球质心聚类神经网络

基于人的大脑进行聚类分析所遵循的基本原则,提出了一种模糊超球质心聚类神经网络学习算法,该方法无需用户事先给定聚类个数K,通过神经网络自组织学习,可以正确识别聚类个数与聚类中心。实验结果表明,该算法是一种全新的聚类方法,具有学习时间短,稳定性强且不依赖于聚类样本的输入顺序等优点。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

模糊稳健优化设计中的神经网络技术

由于模糊稳健设计中的准则函数和约束函数是随机性可控因素与不可控因素的函数,其概率密度函数的表达式难以确定,故在优化设计中采用随机模拟方法.但采用遗传算法进行优化计算时,随机模拟消耗的机时很大,优化计算效率极低.为此,采用BP神经网络对模糊随机函数进行逼近,探讨了神经网络的构造与程序实现方法;用插装式溢流阀调压弹簧的模糊稳健优化设计问题进行了数值仿真与验证.实例表明,BP神经网络的仿真精度可以达到工程优化问题的要求,把遗传算法与神经网络技术相结合,可以有效地求解模糊稳健设计等复杂优化设计问题.     

Fault-Tolerant Control of Nonlinear Systems Based on Fuzzy Neural Networks

Due to its great potential value in theory and application,fault-tolerant control strategies of nonlinear systems,especially combining with intelligent control methods,have been a focus in the academe.A fault-tolerant control method based on fuzzy neural networks was presented for nonlinear systems in this paper.The fault parameters were designed to detect the fault,adaptive updating method was introduced to estimate and track fault,and fuzzy neural networks were used to adjust the fault parameters and cons...