測井時間序列的支持向量機回歸預(yù)測

1、成都理工大學(xué)畢業(yè)設(shè)計（論文）PAGE PAGE IV測井時間序列的支持向量機回歸預(yù)測摘 要要統(tǒng)計學(xué)習(xí)習(xí)理論是是針對小小樣本情情況下的的機器學(xué)學(xué)習(xí)理論論，其核核心思想想是通過過控制學(xué)學(xué)習(xí)機器器的復(fù)雜雜度實現(xiàn)現(xiàn)對學(xué)習(xí)習(xí)機器推推廣能力力的控制制。支持持向量機機能夠盡盡量提高高學(xué)習(xí)機機的推廣廣能力，即使由由有限數(shù)數(shù)據(jù)集得得到的判判別函數(shù)數(shù)對獨立立的測試試集仍能能夠得到到較小的的誤差。因此，本文把把支持向向量機用用于測井井時間序序列的回回歸預(yù)測測。首先先，介紹紹了時間間序列和和支持向向量機的的基礎(chǔ)理理論。其其次，詳詳細介紹紹了支持持向量機機的回歸歸原理和和算法。最后，本文根根據(jù)石油油地質(zhì)勘勘探的實實際問

2、題題，將支支持向量量機運用用測井曲曲線預(yù)測測儲層參參數(shù)孔隙度度。結(jié)果果表明，該方法法預(yù)測精精度高，方法穩(wěn)穩(wěn)定有效效。支持持向量機機較好的的解決了了小樣本本測井勘勘探的實實際問題題。關(guān)鍵詞：支持向向量機；時間序序列；回回歸預(yù)測測Logggingg tiime serriess suuppoort vecctorr maachiine reggresssioonAbsttracct: Staatissticcal theeoryy iss a casse oof mmachhinee leearnningg thheorry wwhicch iis bbaseed oon ssmalll ssam

3、pple.Its ccoree iddea is thee maachiine by conntroolliing thee coompllexiity of leaarniing to achhievve tthe proomottionn off thhe aabillityy off leearnningg maachiine conntrool. Suppporrt vvecttor macchinne tto mmaxiimizze tthe genneraalizzatiion abiilitty oof llearrninng mmachhinee, eevenn iff a l

4、immiteed ddataa seet oobtaaineed ffromm thhe ddisccrimminaant funnctiion on thee inndeppenddentt teest sett wiill be smaalleer sstilll eerroor. Theerefforee, tthe suppporrt vvecttor macchinne iis uusd to loggginng ttimee seeriees rregrresssionn.Fiirstt off alll, thiis aartiicleeinttrodducees thhe tt

5、heoory of thee tiime-serriess annd tthe bassis of suppporrt vvecttor macchinne. Seccondd, iit iintrroduucess deetaiiledd innforrmattionn onn thhe rretuurn of suppporrt vvecttor macchinne ttheoory andd allgorrithhm.FFinaallyy, tthiss arrticcle in acccorddancce wwithh thhe aactuual geoologgicaal eexpl

6、loraatioon oof ooil willl bbe tthe usee off suuppoort vecctorr maachiine preedicctioon oof rreseervooir parrameeterrs llogggingg - porrosiity.Thee reesullts shoow tthatt hiigh preedicctioon aaccuuraccy oof tthe metthodd, aa sttablle aand effficiientt meethood. Suppporrt vvecttor macchinne tto rresoo

7、lvee beetteer tthe smaall sammplee off thhe ppraccticcal proobleems loggginng eexplloraatioon.Keywwordds：suppporrt vvecttor macchinnes；timme sseriies； reegreessiion目 錄TOC o 1-3 h z u HYPERLINK l _Toc232065203 第1章 前 言 PAGEREF _Toc232065203 h 11 HYPERLINK l _Toc232065204 1.1 選題題意義 PAGEREF _Toc23206520

8、4 h 11 HYPERLINK l _Toc232065205 1.2 研究究現(xiàn)狀 PAGEREF _Toc232065205 h 11 HYPERLINK l _Toc232065206 1.3 論文文內(nèi)容 PAGEREF _Toc232065206 h 22 HYPERLINK l _Toc232065207 第2章 測井井時間序序列 PAGEREF _Toc232065207 h 3 HYPERLINK l _Toc232065208 2.1 時間間序列概概述PAGEREF _Toc232065208 h 3 HYPERLINK l _Toc232065209 2.2 時間間序列的的預(yù)

9、測方方法 PAGEREF _Toc232065209 h 4 HYPERLINK l _Toc232065210 2.2.1 時間序序列線性性預(yù)測方方法 PAGEREF _Toc232065210 h 4 HYPERLINK l _Toc232065211 2.2.2 時間序序列的非非線性預(yù)預(yù)測方法法 PAGEREF _Toc232065211 h 5 HYPERLINK l _Toc232065212 2.2.3 自回歸歸移動平平均(AARMAA)模型型 PAGEREF _Toc232065212 h 6 HYPERLINK l _Toc232065213 2.2.4 季節(jié)型型模型 PAGE

10、REF _Toc232065213 h 110 HYPERLINK l _Toc232065214 第3章 支持持向量機機的原理理和方法法 PAGEREF _Toc232065214 h 11 HYPERLINK l _Toc232065215 3.1 SVVM的基基本思想想 PAGEREF _Toc232065215 h 11 HYPERLINK l _Toc232065216 3.1.1 最優(yōu)分分類面 PAGEREF _Toc232065216 h 111 HYPERLINK l _Toc232065217 3.1.2 廣義的的最優(yōu)分分類面 PAGEREF _Toc232065217 h

11、113 HYPERLINK l _Toc232065218 3.2 支持持向量回回歸 PAGEREF _Toc232065218 h 144 HYPERLINK l _Toc232065219 3.2.1 SVMM回歸原原理 PAGEREF _Toc232065219 h 144 HYPERLINK l _Toc232065220 3.2.2 線性支支持向量量回歸 PAGEREF _Toc232065220 h 114 HYPERLINK l _Toc232065221 3.2.3 非線性性支持向向量回歸歸 PAGEREF _Toc232065221 h 15 HYPERLINK l _Toc

12、232065222 3.2.4 支持向向量回歸歸 PAGEREF _Toc232065222 h 16 HYPERLINK l _Toc232065223 3.2.5 v-支持向向量回歸 PAGEREF _Toc232065223 h 18 HYPERLINK l _Toc232065224 3.2.6 時間序序列分析析 PAGEREF _Toc232065224 h 19 HYPERLINK l _Toc232065225 3.3 支持持向量算算法 PAGEREF _Toc232065225 h 200 HYPERLINK l _Toc232065226 3.3.1 支持向向量機的的訓(xùn)練算算

13、法 PAGEREF _Toc232065226 h 200 HYPERLINK l _Toc232065227 3.3.2 C-SSVM算算法及其其變形算算法 PAGEREF _Toc232065227 h 211 HYPERLINK l _Toc232065228 第4章 測井時時間序列列的支持持向量機機回歸預(yù)預(yù)測 PAGEREF _Toc232065228 h 255 HYPERLINK l _Toc232065229 4.1 引言言 PAGEREF _Toc232065229 h 25 HYPERLINK l _Toc232065230 4.2 應(yīng)用用實例 PAGEREF _Toc232

14、065230 h 226 HYPERLINK l _Toc232065231 結(jié) 論論 PAGEREF _Toc232065231 h 42 HYPERLINK l _Toc232065232 致 謝謝 PAGEREF _Toc232065232 h 43 HYPERLINK l _Toc232065233 參考文獻獻 PAGEREF _Toc232065233 h 44PAGE 53第1章 前言1.1 選題意意義本課題的的主要目目的是研研究支持持向量機機預(yù)測儲儲層巖性性參數(shù)問問題。在在估計孔孔隙度的的過程中中，測井井的數(shù)目目往往是是固定且且有限的的，支持持向量機機在解決決小樣本本問題中中表現(xiàn)

15、出出許多特特有的優(yōu)優(yōu)勢SVVM方法法的幾個個主要優(yōu)優(yōu)點有：1.是專專門針對對有限樣樣本情況況的，其其目標(biāo)是是得到現(xiàn)現(xiàn)有信息息下的最最優(yōu)解而而不僅僅僅是樣本本數(shù)趨于于無窮大大時的最最優(yōu)值；2.算法法最終將將轉(zhuǎn)化成成為一個個二次型型尋優(yōu)問問題，從從理論上上說，得得到的將將是全局局最優(yōu)點點，解決決了在神神經(jīng)網(wǎng)絡(luò)絡(luò)方法中中無法避避免的局局部極值值問題；3.算法法將實際際問題通通過非線線性變換換轉(zhuǎn)換到到高維空空間，在在高維空空間中構(gòu)構(gòu)造線性性逼近函函數(shù)來實實現(xiàn)原空空間中的的非線性性逼近函函數(shù)，特特殊性質(zhì)質(zhì)能保證證學(xué)習(xí)機機有較好好的推廣廣能力，同時，它巧妙妙地解決決了維數(shù)數(shù)問題，使其算算法復(fù)雜雜度與維維數(shù)

16、無關(guān)關(guān)。對于小樣樣本的分分類問題題,SVVM具有有調(diào)節(jié)參參數(shù)較少少、運算算速度快快等優(yōu)點點。通過過地震或或測井等等信息進進行油氣氣預(yù)測是是一種典典型的非非線性分分類器設(shè)設(shè)計問題題,它具具有已知知樣本數(shù)數(shù)較少、屬性空空間維數(shù)數(shù)高、沒沒有明確確的對應(yīng)應(yīng)關(guān)系模模型等特特點。因因此，選選擇支持持向量機機對其進進行預(yù)測測。1.2研研究現(xiàn)狀狀近十幾年年來的測測井技術(shù)術(shù)，特別別是200世紀(jì)990年代代后，取取得了重重大進展展。按照照傳統(tǒng)的的觀點，測井技技術(shù)在油油氣勘探探與開發(fā)發(fā)中，僅僅僅對油油氣層做做些儲層層儲集性性能和含含油氣性性能(孔孔隙度、滲透率率、含油油氣飽和和度和油油水的可可動性)定量或或半定量量

17、的評價價工作，這已遠遠遠跟不不上油氣氣工業(yè)迅迅猛發(fā)展展的需要要。而當(dāng)當(dāng)今測井井工作中中評價油油氣藏的的理論、方法技技術(shù)有了了長足的的發(fā)展，解決地地質(zhì)問題題的領(lǐng)域域也在逐逐步擴大大。900年代，統(tǒng)計學(xué)學(xué)習(xí)理論論 (SStattistticaalLeearnningg Theeoryy，SLLT)是是一種處處理小樣樣本的統(tǒng)統(tǒng)計理論論，為研研究有限限樣本情情況下的的統(tǒng)計模模式識別別和更廣廣泛的機機器學(xué)習(xí)習(xí)問題建建立了一一個較好好的理論論框架，同時發(fā)發(fā)展了一一種新的的方法支持持向量機機(Suuppoort Vecctorr Maachiine,簡稱SSVM)，能較較好地解解決小樣樣本學(xué)習(xí)習(xí)問題。由于神

18、神經(jīng)網(wǎng)絡(luò)絡(luò)等較新新興的機機器學(xué)習(xí)習(xí)方法的的研究遇遇到一些些重要的的困難，比如如如何確定定網(wǎng)絡(luò)結(jié)結(jié)構(gòu)的問問題、過過學(xué)習(xí)與與欠學(xué)習(xí)習(xí)問題、局部極極小點問問題等，使得SSVM迅迅速發(fā)展展和完善善，在解解決小樣樣本、非非線性及及高維模模式識別別問題中中表現(xiàn)出出許多特特有的優(yōu)優(yōu)勢，并并能夠推推廣應(yīng)用用到函數(shù)數(shù)擬合等等其他機機器學(xué)習(xí)習(xí)問題中中。支持持向量機機(SVVM)是是數(shù)據(jù)挖挖掘中的的一個新新方法，能非常常成功地地處理回回歸問題題(時間間序列分分析)和和模式識識別(分分類問題題、判別別分析)等諸多多問題，并可推推廣于預(yù)預(yù)測和綜綜合評價價等領(lǐng)域域。1.3 論文內(nèi)內(nèi)容具體來說說，測測井時間間序列的的支持向

19、向量機的的回歸預(yù)預(yù)測的研究究內(nèi)容包包括以下下四章：第一章：前言。闡述支支持向量量機在測測井屬性性參數(shù)預(yù)預(yù)測地質(zhì)質(zhì)屬性數(shù)數(shù)據(jù)中的的應(yīng)用研研究課題題提出的的目的和和意義，在綜合合查閱各各類相關(guān)關(guān)文獻和和分析專專利檢索索及手工工檢索結(jié)結(jié)果的基基礎(chǔ)上評評述國內(nèi)內(nèi)外研究究概況和和存在的的問題，確定本本文研究究內(nèi)容的的意義和和研究方方法的可可行性。第二章：測井時時間序列列。主要要講述了了時間序序列的意意義以及及時間序序列的預(yù)預(yù)測方法法，測井井?dāng)?shù)據(jù)可可以把它它看成為為時間序序列。第三章：支持向向量機的的原理和和方法。本章介介紹了支支持向量量機的基基本原理理，支持持向量分分類，以以及支持持向量回回歸。第四章：

20、測井時時間序列列的支持持向量機機回歸預(yù)預(yù)測。本本章是研研究的重重點，主主要依據(jù)據(jù)測井屬屬性參數(shù)數(shù)用支持持向量機機預(yù)測儲儲層屬性性孔隙度度，并得得到預(yù)測測結(jié)果。第2章測測井時間間序列2.1 時間序序列概述述時間序列列預(yù)測研研究始于于20世世紀(jì)800年代初初期。時時間序列列預(yù)測方方法從廣廣義上可可以分為定定性預(yù)測測和定量量預(yù)測。定性預(yù)預(yù)測是由由預(yù)測者者利用以以往的經(jīng)經(jīng)驗，憑憑借直覺覺做出的預(yù)預(yù)感和猜猜測，具具有較大大的主觀觀性。定定量預(yù)測測是指運運用數(shù)學(xué)學(xué)或統(tǒng)計計方法建建立數(shù)學(xué)模模型，對對歷史統(tǒng)統(tǒng)計數(shù)據(jù)據(jù)進行分分析，從從而對未未來的發(fā)發(fā)展做出出預(yù)測，預(yù)測結(jié)結(jié)果的準(zhǔn)確確性與數(shù)數(shù)學(xué)模型型的選擇擇密切相

21、相關(guān)。長長期以來來，國內(nèi)內(nèi)外學(xué)者者對時間間序列預(yù)預(yù)測的理理論和方方法已做做了大量量研究，提出了了各種各各樣的預(yù)預(yù)測建模模方法，這些方方法大致致可分為為兩大類類，一類類是以時時間序列列法為代代表的傳傳統(tǒng)方法法，另一一類是以以人工神神經(jīng)網(wǎng)絡(luò)絡(luò)法為代代表的新新型人工工智能方方法。傳傳統(tǒng)方法法中主要要有時間間序列法法、多元元線性回回歸法及及傅立葉葉展開法法等，傳傳統(tǒng)方法法比較成成熟，算算法簡單單，速度度快。然然而，傳傳統(tǒng)方法法都是線線性模型型方法，因此在在遇到本本質(zhì)非線線性問題題時就顯顯得無能能為力。支持向向量機在在處理非非線性問問題時，首先將將非線性性問題轉(zhuǎn)轉(zhuǎn)化為高高維空間間中的線線性問題題，然后后

22、用一個個核函數(shù)數(shù)來代替替高維空空間中的的內(nèi)積運運算，從從而巧妙妙地解決決了復(fù)雜雜計算問問題，并并且有效效地克服服了維數(shù)數(shù)災(zāi)難及及局部極極小問題題。時間序列列是指按按時間順順序排列列的一組組數(shù)據(jù)。從統(tǒng)計計意義上上講，所所謂時間間序列就就是將某某一個指指標(biāo)在不不同時間間上的不不同數(shù)值值，按照照時間的的先后順順序排列列而成的的數(shù)列。這種數(shù)數(shù)列由于于受到各各種偶然然因素的的影響，往往表表現(xiàn)出某某種隨機機性，彼彼此之間間存在著著統(tǒng)計上上的依賴賴關(guān)系。從數(shù)學(xué)學(xué)意義上上講，如如果我們們對某一一個變量量或一組組變量進進行觀察察測量，在一系系列時刻刻 QUOTE t1,t2,tn(t為自變量，且t1t20)的取

23、值值進行預(yù)預(yù)測，而而 QUOTE Xt+k(k0)是一個個未知的的隨機變變量，由由于 QUOTE Xt之間間具有相相關(guān)性， QUOTE Xt+k(k0)的概率率分布是是有條件件的（即即在 QUOTE Xt,Xt-1,Xt-2, 已給給定的條條件下）。 QUOTE Xt+k的期期望也是是有條件件的，一一個直觀觀的想法法就是用用 QUOTE Xt+k的條件件期望作作為 QUOTE Xt+k的預(yù)預(yù)測值，即：為了利用用條件期期望計算算預(yù)測值值，需要要先了解解有關(guān)時時間序列列Xt和隨機機擾動at的的條件期期望所具具有的性性質(zhì)：常量的條條件期望望是其本本身。對ARMMA序列列而言，現(xiàn)在時時刻與過過去時刻刻

24、的觀測測值及擾擾動的條條件期望望是其本本身，即即：2)未來來擾動的的條件期期望為零零，即：3)未來來取值的的條件期期望為未未來取值值的預(yù)測測值，即即：ARMAA（n,mm）模型型預(yù)測的的一般結(jié)結(jié)果：由ARMMA模型型:可將 QUOTE Xt+k表示示為： (2.1) 利用條條件期望望的性質(zhì)質(zhì)對（22.1）求條件件期望，當(dāng) QUOTE kmaxm,n時有有： QUOTE =1Xtk-1+2Xtk-2+k-1Xt1+kXtt+kXt QUOTE +nXt+k-n-kat-2at-1-mat+k-m (2.2)當(dāng)kmm時，上上式中的的滑動平平滑部分分全部消消失，有有： QUOTE Xtk=1Xtk-

25、1+2Xtk-2+nXtk-n (2.33)式（2.3）的的通解為為（即預(yù)預(yù)測函數(shù)數(shù)形式）為： QUOTE Xtk=b0tf0k+b1tf1k+bn-1tfn-1k (2.4)這里 QUOTE km-n,其其中 QUOTE f0k，f1k，fn-1k 的的形式由由模型特特征方程程：的根決定定。當(dāng)預(yù)預(yù)測原點點t 給給定時，系數(shù) QUOTE b0t, b1t, ,bn-1t都都是常數(shù)數(shù)，并由由模型的的滑動平平均部分分確定，隨著預(yù)預(yù)測原點點的變化化，這些些系數(shù)也也將改變變，以使使預(yù)測值值適應(yīng)于于序列已已觀測部部分的特特性。綜綜上所述述，對于于ARMMA(nn,m)模型，自回歸歸部分決決定了預(yù)預(yù)測函數(shù)

26、數(shù)的形式式，而平平滑部分分則用于于確定預(yù)預(yù)測函數(shù)數(shù)中的系系數(shù)。有些時間間序列常常呈現(xiàn)出出一種特特殊的非非平穩(wěn)性性，稱之之為齊次次非平穩(wěn)穩(wěn)性：只只要進行行一次或或多次差差分就可可以將其其化為平平穩(wěn)序列列。差分分的次數(shù)數(shù)稱為齊齊次化的的階。這這樣的時時間序列列可用求求和自回回歸移移動平均均模型來來描述。定義差分分引入差分分算子。階差分分可定義義為，如如二階差差分=或者階求和自自回歸移動平平均模型型為（2.55）亦即是序序列。其其中為求求和階數(shù)數(shù)，、分別為為序列的的自回歸歸和移動動平均的的階數(shù)。式（22.5）所示示的求和和自回歸歸移動動平均模模型用記記號表示示。對這類非非平穩(wěn)的的序列，我們假假定從1

27、1開始才才有定義義，并且且假定的的前個隨隨機變量量是均值值為零，方差有有限且與與不相關(guān)關(guān)，因而而也與不不相關(guān)。序列可可用它的的初值及及平穩(wěn)序序列表達達。事實實上，由由于差分分的逆運運算是求求和，所所以，（22.6）其中。我我們不去去推導(dǎo)上上述公式式，僅僅僅討論兩兩種最簡簡單的情情況。i)，此此時，從而式（2.6）成立立。ii)，此時由由上式知知同理有，代入整整理知，對于序列列，它可可以通過過階差分分化成平平穩(wěn)的序序列。2.2.4季節(jié)節(jié)型模型型在許多的的實際問問題中，時間序序列會顯顯示出 周期變變化的規(guī)規(guī)律，這這種周期期性是由由于季節(jié)節(jié)變化或或其他物物理因素素所致，我們稱稱這類序序列為季季節(jié)性序

28、序列。季季節(jié)性時時間序列列的重要要特征表表現(xiàn)為周周期性。對于含含有季節(jié)節(jié)性周期期的時間間序列，也可用用季節(jié)差差分的方方法將之之化成平平穩(wěn)序列列。例如如，對月月度波動動，可以以用月度度差分對對作運算算對季度波波動，可可以用季季度差分分消除數(shù)據(jù)據(jù)中的季季節(jié)性影影響。鮑鮑克斯詹金斯斯季節(jié)模模型為（2.77）若取，則則上述模模型可展展開為有時隨機機干擾項項也是與與季節(jié)相相關(guān)的。這時，可以用用模型來描述。例如就描述了了一個既既有線性性發(fā)展趨趨向、又又含月度度周期變變動的隨隨機型時時間序列列模型。如能預(yù)預(yù)測到的的長期趨趨勢時，就是零零均值了了。第3章 支持持向量機機的原理理和方法法3.1 SVMM的基本本

29、思想SVM是是從線性性可分的的情況下下的最優(yōu)優(yōu)分類面面發(fā)展而而來的，其基本本思想可可用圖33-1所示示的二維維情況說說明。圖3-11 最優(yōu)分分類面的的示意圖圖圖3-11中，實實心點和和空心點點代表兩兩類數(shù)據(jù)據(jù)樣本，H為分類類線，HH1 ,HH2分別為為各類中中離分類類線最近近的數(shù)據(jù)據(jù)樣本且且平行于于分類線線的直線線，他們們之間的的距離叫叫做分類類間隔（marrginn）。所所謂最優(yōu)優(yōu)分類線線，就是是要求分分類線不不但能將將兩類正正確分開開，使訓(xùn)訓(xùn)練錯誤誤率為00，而且且還要使使分類間間隔最大大。前者者保證經(jīng)經(jīng)驗風(fēng)險險最?。皇狗诸愵愰g隔最最大實際際上就是是使推廣廣性界中中的置信信范圍最最小，從從

30、而使真真實風(fēng)險險最小。推廣到到高維空空間，最最優(yōu)分類類線就成成了最優(yōu)優(yōu)分類面面。3.1.1最優(yōu)優(yōu)分類面面設(shè)有兩類類線性可可分的樣樣本集合合：,線性判判別函數(shù)數(shù)的一般般形式為為，對應(yīng)應(yīng)的分類類面方程程如下：將判別函函數(shù)進行行歸一化化，使兩兩類所有有樣本都都滿足，此時離離分類面面最近的的樣本，要求分分類面對對所有樣樣本都能能正確分分類，即即滿足：（3.11）此時分類類間隔等等于，間間隔最大大等價于于最小。，滿足足式（33.1）且且使最小小的分類類面就是是圖3-1中的的最優(yōu)分分類線HH ,H11 ,HH2上的的數(shù)據(jù)樣樣本叫做做支持向向量（SSuppportt Veectoor,SSV），因為他他們支

31、撐撐了最優(yōu)優(yōu)分類面面。因此，最最優(yōu)分類類面問題題可以表表示成如如下的約約束優(yōu)化化問題，即在式式（3.1）的的約束下下，求如如下函數(shù)數(shù)的最小小值： ss.t. (3.2)為此，定定義如下下的Laagraangee函數(shù)：（3.33）式中，為為Laggrannge乘乘子。為為求Laagraangee函數(shù)式式（3.3）的的最小值值，分別別對求偏偏微分并并令他們們等于00，于是是有：根據(jù)上式式和（22.2）的約束束條件，可以將將上述最最優(yōu)分類類面的求求解問題題轉(zhuǎn)化為為如下的的凸二次次規(guī)劃尋尋優(yōu)的對對偶問題題：s.t. (3.4)式中 QUOTE 為對對應(yīng)的LLagrrangge乘子子，這是是一個二二次函

32、數(shù)數(shù)尋優(yōu)的的問題，存在唯唯一解。若 QUOTE 為最最優(yōu)解，則有： QUOTE 式中 QUOTE 不為為零的樣樣本，即即為支持持向量。因此，最優(yōu)分分類面的的權(quán)系數(shù)數(shù)向量是是支持向向量的線線性組合合。 QUOTE 是分類閾閾值，可可由約束束條件求求解，解解上述問問題后得得到的最最優(yōu)分類類面函數(shù)數(shù)為：3.1.2廣義義的最優(yōu)優(yōu)分類面面上面的方方法在保保證訓(xùn)練練樣本全全部被正正確分類類（即經(jīng)經(jīng)驗風(fēng)險險為零）的前提提下，通通過最大大化分類類間隔來來獲得最最好的推推廣性能能。當(dāng)最最優(yōu)分類類面不能能把兩類類點完全全分開時時，如果果希望在在經(jīng)驗風(fēng)風(fēng)險和推推廣性能能之間求求得某種種均衡，則可以以通過引引入松弛弛

33、因子，允許錯錯分樣本本的存在在，此時時的分類類面滿足足：（3.55）當(dāng)時，樣樣本點正正確分類類；當(dāng)時時，樣本本點被錯分。為此，在最小小化目標(biāo)標(biāo)中加入入懲罰項項，引入入以下目目標(biāo)函數(shù)數(shù)：（3.66）式中，CC是一個個正常數(shù)數(shù)，稱為為懲罰因因子。與與線性可可分情況況類似。上式可可通過如如下的二二次規(guī)劃劃來實現(xiàn)現(xiàn)：s.t. (3.7)對非線性性分類問問題，若若在原始始空間中中的簡單單最優(yōu)分分類面不不能得到到滿意的的分類結(jié)結(jié)果，則則可以通通過非線線性變換換轉(zhuǎn)化為為某個高高維空間間的線性性問題。在變換換空間求求最優(yōu)分分類面。變換可可能比較較復(fù)雜，在一般般情況下下不易實實現(xiàn)，SSVM通通過核函函數(shù)變換換巧

34、妙地地解決了了這個問問題。3.2支支持向量量回歸3.2.1SVVM回歸歸原理SVM回回歸問題題與分類類問題有有一些相相似，給給定的數(shù)數(shù)據(jù)樣本本集合為為：，其中， QUOTE (xi,yi,(xk,yk).其中，xiRn,yiR,i=1,2,k。回歸問題題就是尋尋找 QUOTE Rn上的的一個函函數(shù)，以以便用來來推斷任任一輸入入x所yy對應(yīng)的的y值。支持向量量的方法法應(yīng)用到到回歸問問題中，保留了了最大間間隔算法法的所有有的主要要特征，非線性性函數(shù)可可以通過過核特征征空間的的線性學(xué)學(xué)習(xí)器得得到。SSVM回回歸算法法要最小小化一個個凸函數(shù)數(shù)并且他他的解是是稀疏的的。還需需要定義義一個損損失函數(shù)數(shù)，即

35、不不敏感損損失函數(shù)數(shù)，該函函數(shù)可以以忽略真真實值某某個上下下范圍內(nèi)內(nèi)的誤差差。3.2.2線性性支持向向量回歸歸設(shè)數(shù)據(jù)樣樣本為nn維向量量，某區(qū)區(qū)域的kk個數(shù)據(jù)據(jù)樣本及及其值的的表示為為:線性函數(shù)數(shù)設(shè)為:優(yōu)化問題題即最小小化：約束條件件為： QUOTE f(xi)-yii*+,i=1,k QUOTE fxi-yii+,i=1,k其中 QUOTE 12使函函數(shù)更為為平坦，從而提提高了泛泛化能力力， QUOTE Ci=1k(+*)為減減小誤差差，常數(shù)數(shù)C對兩兩者做出出折中。 QUOTE 為一正正常數(shù)。 QUOTE f(xi)與 QUOTE yi的差別別小于時時不計入入誤差，大于 QUOTE 時時計為

36、 QUOTE fxi-yi-。這也是是一個凸凸二次優(yōu)優(yōu)化問題題，引入入拉格朗朗日函數(shù)數(shù)：其中， QUOTE i, i*0; i, i*0; i=1,k。函數(shù)L應(yīng)應(yīng)對 QUOTE ,b,i,i*最小小化，對對 QUOTE i, i*, i, i*最大化化。函數(shù)數(shù)L的極極值應(yīng)滿滿足條件件：從而得到到： (3.88)(3.99) QUOTE C-i-i=0,i=1,k QUOTE C-i*- i*=0,i=1,k由以上各各式可以以得到優(yōu)優(yōu)化問題題的對偶偶形式，最大化化函數(shù)：其約束為為:3.2.3非線線性支持持向量回回歸非線性回回歸與線線性回歸歸分類相相似。首首先，使使用一非非線性映映射把數(shù)數(shù)據(jù)映射射

37、到一個個高維空空間，再再在高維維空間進進行線性性回歸。其關(guān)鍵鍵問題是是核函數(shù)數(shù)K(xx,y)的使用用。這里里，優(yōu)化化問題的的最大化化函數(shù)為為：約束條件件為：函數(shù)fx可直直接表示示成為：按照Kuuhn Tucckerr定理有有： QUOTE i+i-yi+fxi=0,i=1,k（3.110） QUOTE i+i*-yi+fxi=0,i=1,k（3.111） QUOTE ii=0, i*i*=0, i=1, ,k （3.12）由（3.10）（3.111）可得 QUOTE ii*=0,即即任何一一組 QUOTE i和 QUOTE i*都不會會同時為為非0.由(3.8)(3.9) 及及(3.12)可得

38、：由此可見見，對應(yīng)應(yīng)于 QUOTE i=C或 QUOTE i*=C的 QUOTE fxi與 QUOTE yi的誤差差可能大大于 QUOTE ，對對應(yīng)于 QUOTE i(0,C)或或 QUOTE i*(0,C)的 QUOTE fxi與 QUOTE yi的誤差差必然等等于 QUOTE ，即即 QUOTE i=0或 QUOTE i*=0，因此此有：由以上兩兩式可以以求得bb3.2.4 QUOTE - 支持持向量回回歸根據(jù)某種種概率分分布 QUOTE Px,y (xRn,yR)生成成的樣本本：支持向量量回歸（SVRR）問題題就是希希望找到到適當(dāng)?shù)牡膶嵵岛瘮?shù) QUOTE fx=xi+b來擬擬合這些些訓(xùn)

39、練點點，使得得：最小，其其中c為為損失函函數(shù)。觀測值 QUOTE y與與函數(shù)預(yù)預(yù)測值 QUOTE fx之之間的誤誤差，我我們用 QUOTE -不不敏感函函數(shù)：來度量，即當(dāng)xx點的觀觀測值 QUOTE y與與預(yù)測值值 QUOTE fx之間的的誤差不不超過事事先給定定的小正正數(shù) QUOTE 時，認(rèn)為該該函數(shù)對對這些樣樣本點的的擬合是是無差錯錯的。由于 QUOTE Px,y未知知，不能能直接最最小化 QUOTE Rf。因此考考慮最小小化： （3.13）其中 QUOTE ()表示示函數(shù) QUOTE fx的的復(fù)雜性性，后一一項表示示訓(xùn)練集集上的平平均損失失，常數(shù)數(shù)C則體體現(xiàn)了函函數(shù)類的的復(fù)雜性性和訓(xùn)練練

40、集上的的平均損損失之間間的折中中關(guān)系。最小化（3.22.4-1）等等價于最最優(yōu)化問問題： QUOTE i,i*0（3.114）上述問題題的對偶偶形式為為：（3.115）其中， QUOTE Kxi,xj=xi(xj)為為核函數(shù)數(shù)。問題（33.155）的解為為 QUOTE (,*),從而而：其中 QUOTE b的計計算公式式為： QUOTE b=yi-j-*Kxi,xj+, i*(0,C/k)普通最小小二乘和和嶺回歸歸都是 QUOTE -SVR的的一種特特殊情況況，從這這個意義義上講 QUOTE -SVR是是前者的的一個推推廣。SSVR是是基于結(jié)結(jié)構(gòu)風(fēng)險險最小化化，而不不是傳統(tǒng)統(tǒng)意思上上的經(jīng)驗驗風(fēng)

41、險最最小化，可以保保證良好好的預(yù)測測能力。3.2.5v- QUOTE 支持向向量回歸歸在 QUOTE -SVR中，需需要實現(xiàn)現(xiàn)確定損損失函數(shù)數(shù)中的參參數(shù)。本本節(jié)引能能自動計計算 QUOTE 的 QUOTE -SVR?？紤]慮下面的的最優(yōu)化化問題： QUOTE i,i*0, 0.其中，是是一個非非負的常常數(shù)。上上述問題題的對偶偶問題為為：其中， QUOTE 和和C為常常數(shù)。估估計式為為： (3.16) QUOTE -SVR具有以下下性質(zhì):如果問題題(3.16)得得到的 QUOTE 不不為零，則 QUOTE p/k,q/k,其其中p為為錯誤樣樣本的個個數(shù)，qq為支持持向量的的個數(shù)。 如果 QUOTE

42、 -SVR的的解為 QUOTE (,b),而事先先取 QUOTE -SVR事先取為 QUOTE 和 QUOTE -SVR相同的的C值，那么 QUOTE -SVR得得到的解解為。 QUOTE (,b)3.2.6時間序序列分析析基于 QUOTE -SVR的時時間序列列預(yù)測問問題的數(shù)數(shù)學(xué)描述述如下：設(shè)為時間序序列數(shù)據(jù)據(jù)以及周周期為kk的輸入入：定義預(yù)測測函數(shù)： 支持向向量機時時間序列列預(yù)測模模型的最最優(yōu)化問問題為：其中函數(shù)數(shù): QUOTE |xT-fxT-1,xT-k|=max0,|xT-f(xT-1,xT-k)|- （3.117）為 QUOTE -不敏感感損失函函數(shù)。 （3.117）的的對偶形形式

43、為： 其中， QUOTE K(xi,xj)為核函函數(shù)，可可以釋為為輸入樣樣本 QUOTE xi,xj的相相似度。上述問題題是凸二二次規(guī)劃劃，有唯唯一的全全局最優(yōu)優(yōu)解。如如果采用用線性核核函數(shù)，基于SSVR的的時間序序列預(yù)測測問題的的決策函函數(shù)就是是：即統(tǒng)計學(xué)學(xué)上的KK階自回回歸模型型（ARRK）3.3支支持向量量算法3.3.1支持持向量機機的訓(xùn)練練算法支持向量量機的最最終求解解問題歸歸結(jié)為一一個有約約束的二二次型規(guī)規(guī)劃（QQP，QuaadraaticcProggrammminng）問問題。可可以利用用標(biāo)準(zhǔn)二二次型優(yōu)優(yōu)化技術(shù)術(shù)來求解解這個優(yōu)優(yōu)化問題題，如牛牛頓法、共軛梯梯度法、內(nèi)點法法等。但但是

44、，這這些方法法只適合合小樣本本情況，當(dāng)樣本本數(shù)目較較大時，算法復(fù)復(fù)雜度會會急劇增增加，而而且占用用極大的的系統(tǒng)內(nèi)內(nèi)存。為為降低計計算資源源、提高高算法效效率，已已經(jīng)提出出許多針針對大規(guī)規(guī)模樣本本集的訓(xùn)訓(xùn)練算法法：（1）分分塊算法法（Chhunkkingg）（Corrtess annd VVapnnik，19995）19955年，CCorttes和和Vappnikk給出了了一種求求解支持持向量機機二次規(guī)規(guī)劃（QQP）問問題的分分塊算法法。其依依據(jù)是支支持向量量機的最最終求解解結(jié)果只只與支持持向量有有關(guān)，與與非支持持向量無無關(guān)。其其實現(xiàn)過過程是將將初始QQP問題題分解為為一系列列小規(guī)模模的QPP子

45、問題題，不斷斷的求解解QP子問問題，保保留解中中的支持持向量，并加入入到新的的QP子問問題中。每個QQP子問問題都采采用上次次求解的的結(jié)果作作為初始始值。直直到所有有的QPP子問題題求解完完畢。這這種方法法可以大大大減小小算法占占用的系系統(tǒng)內(nèi)存存。然而而，當(dāng)樣樣本集中中的支持持向量數(shù)數(shù)目很大大時，其其算法復(fù)復(fù)雜度仍仍然很大大（2）子子集選擇擇算法 (Suubseet SSeleectiion Alggoriithmms) (Ossunaa,19997;Joaachiims,19998)為為加快支支持向量量機的訓(xùn)訓(xùn)練速度度，Ossunaa（19997）提出了了子集選選擇算法法。該方方法首先先將數(shù)

46、據(jù)據(jù)集分塊塊，從分分塊數(shù)據(jù)據(jù)中提取取支持向向量，并并加以保保留，然然后補充充新的樣樣本，反反復(fù)運算算，直至至所有的的樣本都都滿足KKKT（Karrushh-Kuuhn-Tucckerr,foor sshorrt:KKKT）（Vaapniik，119955）收斂斂條件。19998年，Joaachiims指指出，采采用啟發(fā)發(fā)式迭代代策略會會提高算算法的收收斂速度度，并提提出一種種稱為SSVMllighht的支支持向量量機分解解學(xué)習(xí)算算法。該該算法實實際上是是子集選選擇算法法的推廣廣。（3）序序列最小小優(yōu)化算算法（SSMO，Seqquenntiaal MMiniimall opptimmizaati

47、oon）（Plaatt，19998）119988年，PPlattt提出出了更為為有效的的支持向向量機訓(xùn)訓(xùn)練算法法，即序序列最小小優(yōu)化算算法。其其基本思思想是把把一個大大數(shù)據(jù)量量的QPP分解為為一系列列最小的的QP子優(yōu)優(yōu)化問題題。該算算法是分分解算法法的一個個極端特特例。其其實現(xiàn)過過程為，每次針針對兩個個樣本的的二次規(guī)規(guī)劃問題題，直接接采用解解析方法法求其最最優(yōu)解，以提高高QP問題題的求解解速度。Plaatt設(shè)設(shè)計了一一個兩層層嵌套循循環(huán)過程程實現(xiàn)其其算法。在外環(huán)環(huán)中采用用啟發(fā)式式方法尋尋找違背背KKTT最優(yōu)條條件的樣樣本，在在內(nèi)環(huán)中中對該樣樣本的相相應(yīng)Laagraangee乘子進進行分析析求解

48、，完成一一次優(yōu)化化。不斷斷重復(fù)此此過程，直至所所有樣本本都滿足足KKTT條件。序列最最小優(yōu)化化算法將將工作樣樣本集的的規(guī)模減減少為兩兩個，直直接導(dǎo)致致了迭代代次數(shù)的的增加。所以序序列最小小優(yōu)化算算法實際際上是將將求解優(yōu)優(yōu)化問題題的耗費費轉(zhuǎn)嫁到到迭代運運算上。Plaatt指指出，通通過核優(yōu)優(yōu)化方法法可以大大幅提高高序列最最小優(yōu)化化算法的的性能。該算法法在訓(xùn)練練線性支支持向量量機時，可以獲獲得非常常好的性性能，但但在訓(xùn)練練非線性性支持向向量機時時，算法法速度會會大大減減慢。由由于每一一個子規(guī)規(guī)劃問題題的解可可以精確確地給出出，因此此序貫極極小優(yōu)化化算法既既不需要要額外的的矩陣存存儲，而而且不用用調(diào)

49、用求求解二次次規(guī)劃的的數(shù)值迭迭代程序序，從而而使它的的收斂速速度顯著著提高。SMOO算法包包括三個個要點：最優(yōu)性性KKTT條件、計算解解析解、工作樣樣本的選選擇。SSMO算算法中所所需的計計算機內(nèi)內(nèi)存與訓(xùn)訓(xùn)練樣本本數(shù)成線線性關(guān)系系，SMMO算法法已成為為訓(xùn)練支支持向量量機使用用穩(wěn)定的的算法。（4）增增量式算算法（CCauwwenbbergghs，20001）Cauwwenbbergghs（20001）提提出了一一種增量量減量式式學(xué)習(xí)方方法，考考慮了增增加或減減少一個個訓(xùn)練樣樣本對LLagrrangge系數(shù)數(shù)和支持持向量機機的影響響，實驗驗表明算算法是有有效的。在減少少一個樣樣本時，給出了了模型

50、選選擇算法法LOOO（Leeavee onne oout）的形象象解釋。Rallaivvolaa（20001）提出了了另一種種增量式式學(xué)習(xí)方方法。其其思想為為基于高高斯核的的局部特特性，只只更新對對學(xué)習(xí)機機器輸出出影響最最大的LLagrrangge系數(shù)數(shù)，以減減少計算算復(fù)雜度度。另外外，Suuykeens（20001）提提出了一一種周期期最小二二乘支持持向量機機用于時時間序列列的預(yù)測測。3.3.2C-SVVM算法法及其變變形算法法對于非線線性分類類問題，一方面面通過引引進松弛弛變量放放松約束束，另一一方面引引進輸入入 QUOTE Rn到Hillberrt空間間H的變換換 QUOTE 把數(shù)據(jù)據(jù)樣

51、本集集： QUOTE xi,yi, i=1,n, xiRd, yi+1,-1映射為: QUOTE x1,y1,x2,y2,(xi,yi), 得得到如下下的原始始問題： QUOTE s.t. yixi+b1-i ,i=1,k （3.117）若對應(yīng)于于變換 QUOTE 的的核函數(shù)數(shù)為 QUOTE K(xi,xj),則則原始問問題的對對偶問題題為：若K是正正定核，則上式式對偶問問題必有有解，且且其解為為 QUOTE *=(1*,k*)T,使得得：其中，系系數(shù) QUOTE i只有有當(dāng)相應(yīng)應(yīng)的數(shù)據(jù)據(jù)樣本點點 QUOTE xi,yi剛好使使約束式式(3.17)等號成成立時才才可能為為零。由上述分分析可建建

52、立C-支持向向量機(C-SSVM)，其對對應(yīng)的數(shù)數(shù)學(xué)描述述如下：設(shè)已知樣樣本數(shù)據(jù)據(jù)集 QUOTE xi,yi，其其中； QUOTE i=1,n,xiRd,yi+1,-1選取適當(dāng)當(dāng)?shù)暮撕瘮?shù) QUOTE K(xi,xj)和適適當(dāng)?shù)膮?shù)C，構(gòu)造造并求解解最優(yōu)化化問題：求得最優(yōu)優(yōu)解 QUOTE *=(1*,k*)T。選取 QUOTE *的一一個正分分量 QUOTE 0j*C,并并據(jù)此計計算閾值值： 構(gòu)造決策策函數(shù)：在上述算算法的原原始問題題中，目目標(biāo)函數(shù)數(shù)是：也可以用用 QUOTE i2來代替替 QUOTE i，這樣樣原始問問題就變變?yōu)椋?QUOTE s.t. yixi+b1-i ,i=1,k Q

53、UOTE i0, ,i=1,k容易證明明，該問問題等價價于問題題：且上面22式關(guān)于于的解均均非負。 與前面的的分析推推導(dǎo)類似似，上面面最優(yōu)化化問題的的對偶問問題為：其中 QUOTE ij=1,i=j0,ij 44)中的的原始問問題對 QUOTE (,b)的的解為 QUOTE (*,b*)可可表示為為：據(jù)此可建建立如下下的C-支持向向量分類類機的一一種變形形。C-支持持向量分分類機的的變形算算法如下下:設(shè)已知訓(xùn)訓(xùn)練集： QUOTE T=x1,y1,xk,yk(XY)k,xiXRn,yiY=1,-1,i=1,k選取適當(dāng)當(dāng)?shù)暮撕瘮?shù) QUOTE Kx,x和適適當(dāng)?shù)膮?shù)C,構(gòu)造造并求解解最優(yōu)化化問題

54、：其中 QUOTE ij=1,i=j0,ij 求得得最優(yōu)解解 QUOTE *=(1*,k*)T。(3)選選取 QUOTE *的一一個正分分量 QUOTE i*0,并并據(jù)此計計算閾值值：(4)構(gòu)構(gòu)造決策策函數(shù)：第4章 測井時時間序列列的支持持向量機機回歸預(yù)預(yù)測4.1 引言言儲層參數(shù)數(shù)是含油油氣性的的一個重重要標(biāo)志志，儲層層巖石滲滲透率和和孔隙度度分布的的不均勻勻性直接接影響油油氣分布布、運移移和開采采。對于于勘探區(qū)區(qū)塊，可可以提高高鉆井成成功率，減少勘勘探成本本；對于于開發(fā)區(qū)區(qū)塊，則則為優(yōu)化化鉆采方方案提供供了必要要條件。因此許許多地質(zhì)質(zhì)工作者者致力于于儲層參參數(shù)的研研究和預(yù)預(yù)測。由由于儲層層分

55、布的的多相性性和非均均勻性，因此無無論是直直接或間間接的測測量孔隙隙度和滲滲透率都都是一個個非常困困難和代代價昂貴貴的工作作儲層參數(shù)數(shù)與測井井曲線或或地震數(shù)數(shù)據(jù)之間間關(guān)系是是非線性性的，沒沒有明確確的一一一對應(yīng)關(guān)關(guān)系自從19995年年Vappnikk及其合合作者提提出支持持向量機機610的思想想以來,該算法法已經(jīng)在在模式識識別領(lǐng)域域得到了了廣泛的的應(yīng)用,并且已已經(jīng)在文文本分類類、圖像像識別、手寫字字識別、蛋白質(zhì)質(zhì)同源檢檢測及基基因表達達644等方方面取得得了巨大大的成功功，對于于小樣本本的分類類問題,SVMM具有調(diào)調(diào)節(jié)參數(shù)數(shù)較少,運算速速度快等等優(yōu)點。通過測測井等信信息進行行油氣預(yù)預(yù)測是一一種

56、典型型的非線線性分類類器設(shè)計計問題,它具有有已知樣樣本數(shù)較較少等特特點。目目前國內(nèi)內(nèi)有學(xué)者者已致力力于支持持向量機機預(yù)測含含油氣性性這一領(lǐng)領(lǐng)域的研研究，其其中最早早的有：姚凱豐豐，李衍衍達；樂樂友喜，袁全社社，其中中這些預(yù)預(yù)測所選選擇的核核函數(shù)是是多項式式核。由測井?dāng)?shù)數(shù)據(jù)預(yù)測測儲層參參數(shù)最常常用的過過程包括括：沿測井井資料的的目的層層計算出出反映其其特性的的若干測測井屬性性(振幅幅、頻率率、相位位等)；通過該該層的井井中測試試儲層參參數(shù)結(jié)果果（孔隙隙度）建建立井中中測井屬屬性與井井中測試試結(jié)果的的關(guān)系；利用這這一關(guān)系系推斷出出未知井井所有井井中儲層層參數(shù)的的結(jié)果。我們首首先獲取取學(xué)習(xí)樣樣本的信

57、信息，對對于由測測井屬性性預(yù)測孔孔隙度和和滲透率率的問題題，對得得到的測測井?dāng)?shù)據(jù)據(jù)，首先先選擇一一口或多多口井，依據(jù)深深度開一一窗口，在此窗窗口內(nèi)每每個一定定的深度度有一組組測井屬屬性數(shù)據(jù)據(jù)，我們們以此點點深度和和測井?dāng)?shù)數(shù)據(jù)組成成訓(xùn)練樣樣本點xi，以此點點對應(yīng)的的孔隙度度或滲透透率為yi，如果以以多口井井為訓(xùn)練練樣本我我們在訓(xùn)訓(xùn)練樣本本點xi加上上此井的的水平坐坐標(biāo)。支支持向量量機通過過對訓(xùn)練練樣本的的學(xué)習(xí)獲獲得一定定的預(yù)測測能力，訓(xùn)練后后將預(yù)測測的測井井屬性數(shù)數(shù)據(jù)作為為輸入、輸出結(jié)結(jié)果便是是這一深深度孔隙隙度。支支持向量量機預(yù)測測流程如如圖4.1。測井屬性數(shù)據(jù)的獲取預(yù)測井屬性數(shù)據(jù)孔隙度SVM

58、學(xué)習(xí)訓(xùn)練SVM的預(yù)測預(yù)測井孔隙度的輸出圖4.11 支支持向量量預(yù)測流流程4.2 應(yīng)用實實例測井是一一門邊沿沿學(xué)科，它是將將電磁學(xué)學(xué)、聲學(xué)學(xué)、核物物理學(xué)、熱學(xué)、光學(xué)、力學(xué)等等學(xué)科的的基本理理論和測測量方法法，用于于油氣井井和其它它礦井中中，依靠靠獲取的的大量信信息進行行資源評評價。在在石油地地質(zhì)中，通常根根據(jù)不同同的測井井曲線劃劃分沉積積相，預(yù)預(yù)測儲層層孔隙度度、滲透透率、預(yù)預(yù)測巖性性、評估估儲層油油氣含量量等。根根據(jù)測井井理論及及其方法法，與孔孔隙度相相關(guān)的測測井方法法有聲波波測井、中子密密度測井井和巖石石密度測測井。表4-11井標(biāo) 有有效深度度 樣本本數(shù)x13 32226.66332788.

59、5 84x19 32779.88333122.5 1322x22 33000.99333300.9 91x40 32999.66333333.1 1300 x43 34110.11334622.9 2088每個深度度點有測測井?dāng)?shù)據(jù)據(jù)，其中中測井有有深度、聲波時時差、自自然電位位、自然然伽瑪、補償中中子、巖巖石密度度、電阻阻率等111種屬屬性?？卓紫抖仁鞘菙鄶嗬m(xù)續(xù)續(xù)巖芯芯實測值值。依據(jù)據(jù)根據(jù)測測井理論論及典型型相關(guān)性性分析優(yōu)優(yōu)選出與與孔隙度度相關(guān)的的6種屬屬性，分分別為深度、聲波時時差、自自然伽瑪瑪、巖石石密度、電阻率率、補償償中子。然后將將其分別別標(biāo)準(zhǔn)化化，我們們用單一一的測井井作為訓(xùn)訓(xùn)練樣本

60、本，但預(yù)預(yù)測效果果不是很很好。定定量的預(yù)預(yù)測結(jié)果果見圖4-11，圖44-2,圖4-3：圖4-11 以xx43，x133為訓(xùn)練練樣本，SVMM預(yù)測xx19井井圖4-22 以xx43，x133為訓(xùn)練練樣本，SVMM預(yù)測xx22井井圖4-33 以xx43，x133為訓(xùn)練練樣本，SVMM預(yù)測xx40井井從上面的的圖及表表中可以以看出，支持向向量機預(yù)預(yù)測x222時效效果最好好，預(yù)測xx40井井時效果果最差。eddit svmmtraaineddit svmmclaassiifyeddit svmmpreedicctfuncctioon svmm_sttrucct, svIIndeex = ssvmttr