基于粗糙集—支持向量机的油气储层参数预测方法研究
|
摘要
定量地刻画储层特征，是揭示油气运移规律，选择开发层系，指导油田开发生产，提高油气采收率最基础的工作之一。测井曲线和地震属性与储层特征有密切关系，且大部分情况下这种关系是高度非线性的。随着油气勘探开发的深入，传统的基于线性假设的储层参数预测方法已经不能满足储层特征的精细描述要求。支持向量机方法是一种适合于解决非线性问题的新型机器学习算法，是当前国内外智能方法的一个研究热点。粗糙集理论是一种处理不确定性的数学工具，近年来在许多科学与工程领域获得了广泛应用。本文以测井曲线和地震属性为基础，将粗糙集理论与支持向量机方法相结合，通过优选预测参数与建立预测模型，为储层参数预测研究探索一种新的方法。论文主要结果与认识如下：
（1）评述了支持向量机在储层参数预测中的应用以及粗糙集理论方法的研究现状，在此基础上，指出支持向量机应用于储层参数预测的适用条件、关键问题及今后的研究方向。
（2）选择运用最广泛的径向基函数为核函数，分析了用于支持向量机参数寻优的网格搜索法、自适应粒子群算法以及自适应遗传算法的机理和算法流程，为利用支持向量机方法进行储层参数预测模型构建奠定了理论和应用基础。
（3）根据粗糙集理论的基本概念、属性约简机理与方法，运用粗糙集属性约简方法，分别优选了研究工区内与对应的储层参数关系密切的测井曲线和地震属性。
（4）将优选的测井曲线作为支持向量机输入端，分别采取三种方法优选支持向量机参数，预测了两个工区的储层物性参数。结果表明，支持向量机方法对两个工区储层的孔隙度、渗透率都能进行较好的预测，预测结果明显好于常规测井解释方法。总的来说，网格搜索法耗费时间较短，精确度较差；自适应粒子群算法和自适应遗传算法耗费时间较长，精确度较高。同时，储层渗透率的预测精确度低于孔隙度的预测精确度。
（5）将优选的地震属性作为支持向量机的输入端，预测了彩南工区头屯河组和西山窑组主力砂组的砂岩厚度和孔隙度。结果表明，构建的模型能够对储层砂岩厚度和孔隙度做出较好的预测，平均相对误差明显小于BP神经网络方法和多元线性回归方法。且支持向量机方法预测结果更符合相应的沉积相的砂体展布和物性分布特征。三种不同参数寻优方法中，自适应粒子群算法的效果最佳。
Quantitative characterization of reservoir characteristics is one of the most basicworks in revealing the law of reservoir oil and gas movement, selecting reasonabledevelopment layer series, and guiding the development of production of oil and gas fieldto enhance oil recovery efficiency. Experiences of exploration and development of oiland gas show that there are closely nonlinear relationships between logging curves andreservoir characteristics. The same result resists in seismic attributes and reservoircharacteristics. With the development of oil and gas exploration and development, thetraditional reservoir parameter prediction method based on linear assumption has beenunable to meet the requirements of fine description of reservoir characteristics. Thesupport vector machine is a new machine learning algorithm suitable for solvingnonlinear problems. Now support vector machine has been a hotspot in research onnonlinear intelligent method. Rough set theory is a kind of tool for dealing withimprecise, uncertain and incomplete information data. Recently, it has been widelyapplied in many fields of science and engineering. Reservoir parameter modeling ofrough set theory and support vector machine are constructed based on logging curves andseismic attribute data in two work areas in this paper, striving for exploring a new way ofreservoir parameter prediction and simulation. The main results are as follows:
（1）The research status of reservoir parameter prediction method, support vectormachine in prediction of reservoir parameters and rough set theory are reviewed. The keyof the problem in the application of support vector machine in reservoir parameterprediction, and the research direction in the future are improved.
（2）The most widely used radial basis function is selected as the kernel function.The algorithms flow of three methods of kernel function parameter optimization, that isgrid search method, genetic algorithm and particle swarm optimization are analyzed,which lays important foundation for reservoir parameter prediction modeling based onsupport vector machine method.
（3）The basic concept, attribute reduction mechanism and method of rough settheory are introduced. The logging curves and seismic attributes in two research workareas are reduced using rough set method. The most closely groups of logging curves andseismic attributes with reservoir parameters are selected.
（4）As the input ofsupport vector machine, the selected loggingcurves are used toconstruct a reservoir parameter prediction model. In kernel function parameteroptimization, grid search method, adaptive particle swarm optimization and adaptivegenetic algorithm are adopted respectively. The applied results of model prediction intwo work areas show that the prediction model can predict the porosity and permeabilitywell, and the prediction results are better than that of conventional log interpretationmethod. There are different in precision and time consuming between models based ondifferent kernel function parameter optimization. The prediction precision by usinggenetic algorithm and particle swarm optimization are higher than that of grid searchmethod. It consumes the least training time by using grid search method. The predictionaccuracy for reservoir permeability is lower than that of porosity using the constructedsupport vector machine model.
（5）As the input of support vector machine, the selected seismic attributes are usedto construct a reservoir parameter prediction model. The applied results of modelprediction in two work groups of Toutunhe and Xishanyao show that the predictionmodel can predict the porosity and sandstone thickness well, and the prediction resultsare better than those of BP neural network method and multivariate linear regressionmethod. The planar prediction diagram shows that the prediction result of support vectormachine is more in line with the sand body distribution and physical characteristic ofsedimentary facies. Among three parameter optimization methods, the prediction resultof using particle swarm optimization is the best. It consumes more time in predictingsandstone thickness than porosity. The prediction accuracy for porosity is higher than forsandstone thickness.
（1）评述了支持向量机在储层参数预测中的应用以及粗糙集理论方法的研究现状，在此基础上，指出支持向量机应用于储层参数预测的适用条件、关键问题及今后的研究方向。
（2）选择运用最广泛的径向基函数为核函数，分析了用于支持向量机参数寻优的网格搜索法、自适应粒子群算法以及自适应遗传算法的机理和算法流程，为利用支持向量机方法进行储层参数预测模型构建奠定了理论和应用基础。
（3）根据粗糙集理论的基本概念、属性约简机理与方法，运用粗糙集属性约简方法，分别优选了研究工区内与对应的储层参数关系密切的测井曲线和地震属性。
（4）将优选的测井曲线作为支持向量机输入端，分别采取三种方法优选支持向量机参数，预测了两个工区的储层物性参数。结果表明，支持向量机方法对两个工区储层的孔隙度、渗透率都能进行较好的预测，预测结果明显好于常规测井解释方法。总的来说，网格搜索法耗费时间较短，精确度较差；自适应粒子群算法和自适应遗传算法耗费时间较长，精确度较高。同时，储层渗透率的预测精确度低于孔隙度的预测精确度。
（5）将优选的地震属性作为支持向量机的输入端，预测了彩南工区头屯河组和西山窑组主力砂组的砂岩厚度和孔隙度。结果表明，构建的模型能够对储层砂岩厚度和孔隙度做出较好的预测，平均相对误差明显小于BP神经网络方法和多元线性回归方法。且支持向量机方法预测结果更符合相应的沉积相的砂体展布和物性分布特征。三种不同参数寻优方法中，自适应粒子群算法的效果最佳。
Quantitative characterization of reservoir characteristics is one of the most basicworks in revealing the law of reservoir oil and gas movement, selecting reasonabledevelopment layer series, and guiding the development of production of oil and gas fieldto enhance oil recovery efficiency. Experiences of exploration and development of oiland gas show that there are closely nonlinear relationships between logging curves andreservoir characteristics. The same result resists in seismic attributes and reservoircharacteristics. With the development of oil and gas exploration and development, thetraditional reservoir parameter prediction method based on linear assumption has beenunable to meet the requirements of fine description of reservoir characteristics. Thesupport vector machine is a new machine learning algorithm suitable for solvingnonlinear problems. Now support vector machine has been a hotspot in research onnonlinear intelligent method. Rough set theory is a kind of tool for dealing withimprecise, uncertain and incomplete information data. Recently, it has been widelyapplied in many fields of science and engineering. Reservoir parameter modeling ofrough set theory and support vector machine are constructed based on logging curves andseismic attribute data in two work areas in this paper, striving for exploring a new way ofreservoir parameter prediction and simulation. The main results are as follows:
（1）The research status of reservoir parameter prediction method, support vectormachine in prediction of reservoir parameters and rough set theory are reviewed. The keyof the problem in the application of support vector machine in reservoir parameterprediction, and the research direction in the future are improved.
（2）The most widely used radial basis function is selected as the kernel function.The algorithms flow of three methods of kernel function parameter optimization, that isgrid search method, genetic algorithm and particle swarm optimization are analyzed,which lays important foundation for reservoir parameter prediction modeling based onsupport vector machine method.
（3）The basic concept, attribute reduction mechanism and method of rough settheory are introduced. The logging curves and seismic attributes in two research workareas are reduced using rough set method. The most closely groups of logging curves andseismic attributes with reservoir parameters are selected.
（4）As the input ofsupport vector machine, the selected loggingcurves are used toconstruct a reservoir parameter prediction model. In kernel function parameteroptimization, grid search method, adaptive particle swarm optimization and adaptivegenetic algorithm are adopted respectively. The applied results of model prediction intwo work areas show that the prediction model can predict the porosity and permeabilitywell, and the prediction results are better than that of conventional log interpretationmethod. There are different in precision and time consuming between models based ondifferent kernel function parameter optimization. The prediction precision by usinggenetic algorithm and particle swarm optimization are higher than that of grid searchmethod. It consumes the least training time by using grid search method. The predictionaccuracy for reservoir permeability is lower than that of porosity using the constructedsupport vector machine model.
（5）As the input of support vector machine, the selected seismic attributes are usedto construct a reservoir parameter prediction model. The applied results of modelprediction in two work groups of Toutunhe and Xishanyao show that the predictionmodel can predict the porosity and sandstone thickness well, and the prediction resultsare better than those of BP neural network method and multivariate linear regressionmethod. The planar prediction diagram shows that the prediction result of support vectormachine is more in line with the sand body distribution and physical characteristic ofsedimentary facies. Among three parameter optimization methods, the prediction resultof using particle swarm optimization is the best. It consumes more time in predictingsandstone thickness than porosity. The prediction accuracy for porosity is higher than forsandstone thickness.
引文
Aydin I., Karakose M., Akin E. A multi-objective artificial immune algorithm forparameter optimization in support vector machine. Applied soft computing,2011,11(1):120～129.
B. Boser, I.Guyon, V.N.Vapink. A training algorithm for optimal margin classifiers.In Proceedings of5th Annual Workshop Computation on Learning Theory. Pittsburgh, PA:ACM,1992.
Block, S., Empirical prediction of porosity and permeability in sandstones, AAPGBulletin,1991,75：1145～1160.
B. Scholkopf, C.J. Burges, A.J. Smola (eds.). Advance in Kernel Methods Support VectorLearning, Cambridge MA, MIT Press,1999.
Boschetti F., Dentith M.C，List R. D. Inversion of seismic refraction data usinggenetic algorithms. Geophysics,1996,61(6):1715～1727.
Cortes C and Vapnik V.Support Vector Networks.Machine Learning,199520:1～25.
C.F.Lin, S.D.Wang. Fuzzy support vector machines. IEEE Transactions on NeuralNetworks,2002,13(3):466～471.
Chih-Chung Chang, Chih-Jen Lin. LIBSVM—A Library for Support Vector Machines(Version3.14). http://www.csie.ntu.edu.tw/~cjlin/libsvm/.2012.
C1erc M., Kennedy J. The Particle Swarm: Explosion,Stability and Convergence ina Multi-Dimensional Complex Space，IEEE Trans. Evolution. Comput.2002，6（l）：68～73.
Chen Z. The Method of rough-set decision analysis and its application to patternrecognition of seismic data. In: SEG, EAGE, CPS. SEG/EAGE/CPS. International GeophysicalConference and Exposition. Beijing.1998.
Christopher A and Liu X W. Face detection using spetral histograms and SVMs. IEEETransactions on systems, Man, and Cybernetics-Part B:Cybernetics,2005,35(3):467～476.
Cristianini, N. An introduction to support vector machines and other kernel-basedlearning methods. London: Cambridge university press.2000.
Deng Y., Wang H.Y. The Support Vector Machines for predicting the reservoir thickness.Proceedings-20128th International Conference on Natural Computation, ICNC2012.118～120.
Dubose J.B. Practical steps toward realizing the Potential of Monte Carlo automaticstatics. Geophysics,1993,58(3):399～407.
E.Osuna, R.Freund, F. Girosi. An improved training algorithm for support vectormachines. Proceedings of the1997IEEE Workshop on Neural Networks for Signal Processing.New York:IEEE Press,1997.
E.Osuna, R.Freund, F. Girosi. Training support vector machines: An application toface detection. Proceedings.IEEE. Conf. Computer Vision and Pattern Recognition, PuertoRico,1997.
G. Fung, O.L.Managasarian. Proximal support vector machine classifiers. ProceedingsKDD2001, San Francisco. Association for Computing Machinery, New York,2001:77～86.
G. Lanckriet, N. Cristianini, P. Bartlett, et al. Learning the Kernel Matrix withSemidefinite Programming. Journal of Machine Learning Research,2004,5:27～72.
H. C. Kim, S.N.Pang, H.M. Je,et al. Support Vector Machine Ensemble with Bagging.Lecture Notes in Computer Science,2002,2338:397～407.
H.P. Huang, Y.H.Liu. Fuzzy support vector machines for pattern recognition.Iinternational Journal of Fuzzy Systems,2002,4(3):826～835.
HONG T,TSENG L, CHIEN B.Mining from incomplete quantitative data by fuzzy roughsets.Expert Systems with Applications,2010,37(3):2644-2653.
HU Q Y, YU D R,WU C X. Fuzzy preference relation rough sets.Proc of IEEE InternationalConference on Granular Computing.2008:300～305.
Huang S N.，TAN K K. and Lee T H. Adaptive Neural Netwok Algorithm for Control Designof Rigid～Link Electrically Drive Robots. Neurocomputing，2008，71:885～894.
J. C. Platt. Fast Training of Support Vector Machines using Sequential MinimalOptimization. Advances in Kernel Methods-Support Vector Learning,1999,185～208
John H. Holland. Adaptation in Natural and Artificial Systems. University of MichiganPress,1975.
J. Zhang, Y. Wang. A rough margin based support vector machine. Information Sciences.2008,178(9):2204～2214.
Jervis M., Sen M.K., Stoffa P.L. Prestack migration velocity estimation usingnonlinear methods Geophysics,1996,60(6):138～150.
Kennedy，J.Eberhart，R.C.. Particle Swarm Optimization. Proc.IEEE Internationalconference on Neural Networks.1995：1942～1948.
Lake L W, Jr Carroll H B. Reservoir characterization. Orlando: Academic Press,1986:487～543.293～339.
Li S, Tan M. Tuning SVM parameters by using a hybrid CLPSO-BFGS algorithm.Neurocomputing,2010,73(10):2089～2096.
Lin C C, Chen S H, Truong T K,etc. Auto classification and categorization based onwavelets and support vector machine. IEEE Transaction on Speech and Audio Processing,2005,13(5):644～651.
M. N. Nguyen, J.C. Rajapakse. Multi-Class Support Vector machines for protein SecondaryStructure Prediction. Genome Informatics,2003,14:218～227.
M. Hofmann. Support Vector Machines-Kernels and the Kernel Trick.Technical Report,Universitat Bamberg,2006.
N. Cristanini, J. S. Taylor. An Introduction to Support Vector Machines and OtherKernel-based Learning Methods. Cambridge University Press,2000.
O. L. Managasarian, D. R. Musicant. Lagrangian support vector machines. Journal ofMachine Learning Research,2001,1:161～1777.
P.W. Chen, J.Y. Wang. Model selection of SVMs using GA approach. Proceedings of2004IEEE International Joint Conference on Neural Networks. Piscataway, New York::IEEE Press,2004:2035～2040.
Pawlak Z．1982． Rough Set． International Journal of Computer and InformationSciences，11:341～356.
Pawlak Z．1991． Rough Set: Theoretical Aspect s of Reasoning About Data． Boston:Kluwer Academic Publishers:22～40.
Pawlak Z,Skowron A. Rudiments of rough sets. Information Sciences,2007,177,3-27.
Pettijohn F J, Potter P E, Siever R. Sand and sandstone. Berlin: Springer-Verlag,1973:550～554.
Scholkopf B， et al. Comparing support vector machines with gaussian kernels to radialbasis function classifiers. IEEE Trans. on signal processing，1997，45:2758～2765.
Scholkopf B, Smola A J, Williamson R C, et al. New support vector algorithms.NeuralComputation,2000,1207～1245.
Shi Y and Eberhart R C. Fuzzy adaptive particle swarm optimization. In：Proc Congresson Evolutionary Computation，Seoul，Korea，2001.
Smola A. J. Learning with kernels. berlin:Technical university of berlin,1998.
Srinvivas M.,Patnaik L M. Adaptive probabilitis of crossover and mutation in gas,IEEETrans on SMC,1994,24(4):656～667.
Suykens J A K.，Van Gestel T.， De Brabanter J. etc. Least squares support vectormachines. Singapore: World scientific publishing Co.，Pte.，Ltd.，2002.
Suykens J A K.，Vandewalle J. Least squares support vector machine classifiers. Neuralprocessing letter.1999，9:293～300.
Tong S C.， He X L.，Li Y M. etc. Adaptive Fuzzy Backstepping Robust Control forUncertain Nonlinear Systems Based on Small～gain Approach. Fuzzy Sets and Systems，2010，161:771～796.
Vapnik V N.Estimation of dependencies based on empirical data.1979,Nauka,Moscow.
Vapnik V N.Three fundamental concepts of the capacity of learning machines.PhysicaA,1993,200:538～544.
Vapnik V N. The nature of statistical learning theory. New York:Springer Verlag,1995:85～151.
Vapnik V N.Statistical learning theory,J. Wiley, New York,1998.
Wu C H., Tzeng G H., Goo Y J., et al. A real-valued genetic algorithm to optimizethe parameters of support vector machine for predicting bankruptcy. Expert systems withapplications,2007，32(2):397～408.
WU W Z.Fuzzy rough sets determined by fuzzy implication operators.Proc of IEEEInternationalConference on Granular Computing.Washington DC: IEEE Computer Society,2009:596～601.
YAO Y Y.Three-way decisions with probabilistic rough sets.InformationSciences,2010,180(3):341～353.
Y.J.Lee, O.L.Managasarian. SSVM:A Smooth support vector machine. ComputationalOptimization and Applications,2001,20(1):5～22.
Y.J.Lee, W. F. Hsieh,. SSVR: E-Smooth support vector machine for e-insensitiveregression. IEEE Transactions on Knowledge and data Engineering,2005,17(5):678～685.
Zhang X L, Chen X F, He Z J. An ACO-based algorithm for parameter optimization ofsupport vector machines. Expert Systems with Applications,2010,37(9):6618～6628.
白鹏，李彦等.基于支持向量机理论及工程应用实例.西安:西安电子科技大学出版社，2008.1～5.
鲍祥生,尹成,赵伟,等.储层顶测的地震属性优选技术研究.石油物探,2006,45(1):28～33.
蔡煜东,姚林声.用人工神经网络建立油田采收率模型.石油地球物理勘探,1994,29(2):166～169.
常甜甜.支持向量机学习算法若干问题的研究.西安电子科技大学，2010，16.
陈波，凌云，刘钦甫，等．利用地震属性技术分析储层含油气信息——以塔里木盆地HD4油田为例．特种油气藏，2005，12(3):12～15．
陈德元,谭成仟,徐振永等.基于岩性划分的渗透率预测模型研究.地球科学与环境学报.2007,29(2):158～161.
陈国良,王煦法,庄正泉等.遗传算法及其应用,北京:人民邮电出版社，1996.
陈华，邓少贵，范宜仁.基于LS～SVM的测井物性参数的预测方法.计算机工程与应用,2007,43(23):208～210.
陈建阳,于兴河.储层地质建模在油藏描述中的应用.大庆石油地质与开发,2005,24(3):17～18.
陈永生.油田非均质对策论.北京:石油工业出版社,1993:13～75.
陈遵德,朱广生,毛宁波.用遗传算法选择储层预测中的地震特征.中国地球物理学会年刊,北京:石油工业出版社,1995.
陈遵德.储层地震属性优化方法.北京：石油工业出版社，1999．
程国建,郭瑞华PSO-LSSVM分类模型在岩性识别中的应用.西安石油大学学报(自然科学版).2010,25(1):96～100.
程时清,陈平中.利用试井压力描述储层非均质性.石油与天然气地质,1995,16(3):285～289.
褚蕾蕾，陈绥旭，周梦.计算智能的数学基础.北京：科学出版社，2002.
邓乃扬，田英杰.数据挖掘中的新方法—支持向量机.北京:科学出版社.2004，23～34.
邓燕.我国储层非均质性表征研究评述.内蒙古石油化工.2012,（23）：1～2.
董李艳，胡海平，赵丛.基于人脸重要特征和SVM的人脸识别方法.应用数学与计算数学学报,2008，22（1）：109～114.
冯天瑾，丁午乾.计算智能与科学配方.北京：科学出版社，2009.
巩知乐,张德贤,胡明明.一种改进的支持向量机的文本分类算法.计算机仿真,2009,26（7）：164～167.
关达，付强．地震解释技术新进展．勘探地球物理进展，2003，26（5-6）：367～373．
管秀强,王淑玲,黄英.营72断块沙三中亚段储层非均质性研究.胜利学刊.1997,11（4）：4～6.
韩虎,任恩恩,李玉龙.基于粗集理论的支持向量机分类方法研究.计算机工程与设计,2007,28(11):2640～2641.
何芬,李涛,马奎前.渤中34-1油田储层非均质性研究.内蒙古石油化工.2010,(4):114～116.
姬战怀.研究了用测井曲线预测储层参数—正则化神经网络方法.[硕士学位论文].西安：西安科技大学,2003.
江山,蒋明煊,程彦武. A油田储层非均质性研究.西南石油大学学报(自然科学版).2008,30(6):1010～104.
姜香云,吴胜和,王绍华.大港油田官104断块储层非均质性研究.地球物理学进展.2007,22(5):1446～1454.
蒋桂莲.基于粗糙集和支持向量机的人脸识别.[硕士学位论文].长沙：长沙理工大学.2010.4～11.
焦玮玮,孙威.核磁共振全直径岩心分析仪磁体的研制.南京大学学报:自然科学版,2005,41(4):382～387.
金强, JamesR Browton.用生产井信息确定储层非均质性.石油大学学报:自然科学版,1999,23(2):18～21.
金珠.改进的支持向量机分类算法及其在煤矿人因事故安全评价中的应用.[博士学位论文].北京：中国矿业大学.2011.
乐友喜，袁全社.支持向量机方法在油气储层参数预测中的应用.2005,25(12):45～47.
李国正,王猛,曾华军译.支持向量机导论.北京：电子工业出版社.2004.
李健.利用劳伦兹系数定量评价储层宏观非均质性—以埕岛油田馆陶组上段为例.油气地质与采收率,2006,13(2):24～26.
李梦溪,李仰民,谷文彬.沁水盆地煤储层非均质性控制因素研究.内蒙古石油化工.2009，16（6）：17～20.
李敏强,寇纪淞,林丹,等.遗传算法的基本理论与应用.北京:科学出版社,2002.
李庆忠.含油气砂层的频率特征及振幅特征.石油地球物理勘探,1995,30(1):21～23.
李榕,钟仪华.基于最小二乘支持向量机的油气水层识别方法.天然气勘探与开发.2009,32(3):15～19.
李文厚.沉积岩石学.兰州：西北大学出版社，2002.
李杏莉,王彦春,刘力辉.基于地震资料高阶统计量的含油气储层非均质性研究——鄂尔多斯盆地大牛地气田储层预测实例.石油地球物理勘探,2009,44(3):314～31.
李祖兵,颜其彬,罗明高.非均质综合指数法在砂砾岩储层非均质性研究中的应用—以双河油田V下油组为例.地质科技情报,2007,26(6):83～87.
刘得军,冉群英,王斌.支持向量机在大庆齐家凹陷测井解释中的应用.石油物探.2007,46(2):156～161.
刘冬娥,黄婧芝,吴国平.用灰色支持向量机进行储层油气、水模式识别.石油天然气学报(江汉石油学院学报).2009,31(4):261～264.
刘涵，周党伟，钱富才.基于支持向量机模糊推理的二级倒立摆控制.仪器仪表学报，2008，29(2):330～335.
刘路.基于改进支持向量机和纹理图像分析旋转机械故障诊断研究.[博士学位论文].天津：天津大学.2011.
刘向君,夏宏泉,赵正文.砂泥岩地层渗透率预测通用计算模型.西南石油学院学报,1999,21(1):10～12.
罗公亮.从神经网络到支撑矢量机(上).冶金自动化,2001,20(5):1～5.
罗公亮.从神经网络到支撑矢量机(下).冶金自动化,2001,26(1):1～5.
罗公亮.从神经网络到支撑矢量机(中).冶金自动化,2001,25(6):1～4.
罗瑜.支持向量机在机器学习中的应用.[博士学位论文].重庆：西南交通大学,2007.
罗瑜．支持向量机在机器学习中的应用研究．[博士学位论文].成都：西南交通大学，2007．
马振锋，张大娜,丁清如.示踪剂验证井间储层非均质性的现场应用.石油工业技术监督,2007,(6):8～10.
苗夺谦,李道国.粗糙集理论、算法与应用.北京：清华大学出版社.2008.
倪逸，杨慈珠，郭玲置，等．储层油气预侧中地震属性优选问题探讨．石油地球物理勘探，1999，34(6)：614～626．
欧阳俊.基于多核混合支持向量机的城市短时交通预测，[硕士学位论文].长沙：中南大学，2011.
潘元林.油气地质地球物理综合勘探技术.北京:地震出版社,1998.
庞河清，匡建超，蔡左花.逐类组合支持向量机在致密储层判识和产能预测中的应用.大庆石油学院学报.2011,35(6):35～40.
彭佩星,王保良,李海青.基于ICA和ES～SVM的油气两相流空隙率测量.化工自动化及仪表,2007,34(4):60～62.
彭针瑞.基于LS～SVW的气液两相流参数测量研究.[博士学位论文].杭州：浙江大学.2007.
彭珍瑞,王保良,黄志尧,李海青.基于电容层析成像和LS2SVM的空隙率测量.浙江大学学报(工学版),2007,41(6):877～880.
彭真明,竺知新等.基于演化神经网络学习的储层参数预测方法.中国地球物理学会年刊武汉,北京:中国地质大学出版社，2000.
彭真明,韩燕君.遗传算法及其在剩余静校正中的应用.断块油气田,1998,5(l):5～8.
强平、陈景山等，川东碳酸盐岩储层非均质性模型，石油与天然气地质，l998(3):207～208.
秦月霜，陈显森，王彦辉．用优选后的地震属性参数进行储层预测．大庆石油地质与开发，2000,19(6):44～45．
裘怿楠，薛叔浩.油气储层评价技术.北京：石油工业出版社，2001.
施冬，张春生.基于GIS的储层非均质性灰色综合评价研究.地理空间信息.2008,6(5):12～14.
施泽进,任在清,戈汉权.基于RS与LS～SVR的储层参数预测.成都理工大学学报(自然科学版).2007,34(6):605～608.
石广仁.支持向量机在裂缝预测及含气性评价应用中的优越性.石油勘探与开发.2008,35(5):588～594.
史峰,王小川,郁磊等. MATLAB神经网络30个案例分析.北京：北京航空航天大学出版社.2010.
隋国华,李春雷.基于组合分类器的地层含油情况智能决策系统.计算机研究与发展.2011,48（Suppl.）476～479.
隋少强,宋丽红,赖生华.储层非均质性定量探讨.油气地质与采收率,2003,10(4):5～7.
孙宗海．支持向量机及其在控制中的应用研究．[博士学位论文].杭州：浙江大学，2003．
汤建国,祝峰,佘堃.粗糙集与其他软计算理论结合情况研究综述.计算机应用研究.2010，27(7)：2404-2410
唐俊.PSO算法原理及应用.计算机技术与发展.2010,20(2):213-216
唐小彪.基于对应分析的支持向量机回归在地震储层厚度预测中的应用.物探与化探.2009,33(4):468～471
唐耀华,张向君,高静怀.基于地震属性优选与支持向量机的油气预测方法.石油地球物理勘探.2009,44(1):75～80.
田冷,何顺利.长庆靖边下古生界气藏储层非均质性研究.山东科技大学学报（自然科学版）.2009,28(3):13～16.
童凯军,单钰铭,廖特权等.基于统计学的测井储层产能分级预测研究.天然气勘探与开发.2008,31(2):40～45.
万明浩,秦顺亭,起凤梧等.岩石物理性质及其在石油勘探中的应用.北京:地质出版社,1994.
汪杭军,张广群，方陆明.粗糙集属性约简算法的实现与应用.计算机工程与设计,2007,28(4):777～779.
王国胤,姚一豫,于洪.粗糙集理论与应用研究综述.计算机学报,2009,32(7):1230～1246.
王国胤. Rough集理论和知识获取.西安:西安交通大学出版社,2001,122～123.
王佳.混合核支持向量机参数优化及其应用研究，[硕士学位论文].长沙：长沙理工大学.2011.
王家华,张团峰.油气储层随机建模.北京:石油工业出版社,2001.
王全丽.基于粗糙集理论的个性化推荐算法研究.[硕士学位论文].天津：河北工业大学.2011.
王兴玲,李占斌.基于网格搜索的支持向量机核函数参数的确定.中国海洋大学学报.2005,35(5):859～862.
王玉梅,季玉新,李东波,等.应用地成属性技术预测A地区储层.石油物探,2001,40(4):69～76.
王众,张哨楠,匡建超等.基于主成份分析和支持向量机的PCA-SVM储层识别模型研究.物探化探计算技术.2010,32(6):636～640.
魏聪,肖玉峰,董平川.最小二乘支持向量机在储层流体识别中的应用.石油天然气学报(江汉石油学院学报)2009,31(2):275～278.
吴何珍，符力耘，葛洪魁.利用多井声波测井数据谱分析进行储层非均质性描述.测井技术,2010,34(3):297～301.
吴胜和,李文克.多点地质统计学—理论、应用与展望.古地理学报,2005,7(1):137～144.
吴胜和,李宇鹏.储层地质建模的现状与展望.海相油气地质.2007,12(3):53～60.
肖冬生,乔东生.低阻油层识别新方法及其应用.断块油气田.2010,17（4）：509～512.
谢春利.基于最小二乘支持向量机的非线性系统自适应控制方法的研究.[博士论文].大连：大连理工大学.2011.
谢玉洪，陈志宏，陈殿远.含气储层非均质性评价技术研究及其应用.石油物探。2007，46（4）：353～358.
邢军,姜谙男,邱景平等.基于DE-SVM的岩层可钻性预测研究.东北大学学报(自然科学版),2010,31(9):1345～1348.
熊敏.商三区古近系沙二下亚段储层非均质性研究.江汉石油学院学报,2004,26(2):29～30.
徐寅,毕硕本,潘昊. SVM和BP算法在油气识别中的对比应用研究.微计算机信息,2010,26(22):44～46.
杨斌，匡立春，孙中春等.基于遗传规划的储层含水饱和度预测方法.成都理工大学学报(自然科学版).2006，33（2）：209～213.
杨斌,匡立春,施泽进.一种基于核学习的储集层渗透率预测新方法.物探化探计算技术.2005,(27)2:119～122.
杨斌,匡立春,孙中春.一种用于测井油气层综合识别的支持向量机方法.测井技术.2005,29(6):511～514.
杨斌.线性测井储层特征智能反演方法及应用研究.[博士学位论文].成都：成都理工学院,1999.
杨磊，王化增，陈子凌.基于支持向量机的油气储量价值等级评价.中国石油大学学报(自然科学版).2012,36(3):192～196.
杨汝月,潘星,曹飞龙.约简数据集的支持向量分类机算法.计算机应用与软件,2008,25(12):44～45.
杨伟新，张晓森.粒子群优化算法综述.甘肃科技，2012,28（5）:88-91
姚凯丰,陆文凯,丁文龙.一种基于SVM特征选择的油气预测方法.天然气工业.2004,24(7):36～38.
姚胜林.阿联酋阿布扎比近海油田利用测井数据进行渗透率估算.国外油田工程,2010.26(6):53～54.
尹成.非线性全局最优化反演剩余静校正研究.[博士学位论文].成都：成都理工学院,1997.
印兴耀,周静毅.地震属性优化方法综述.石油地球物理勘探,2005,40(4):482～489.
雍世和，张超谟.测井资料数据处理与综合解释.东营：中国石油大学出版社，2007：142～151.
于翠玲,林承焰.储层非均质性研究进展.油气地质与采收率.2007,14(4):15～18.
于代国,孙建孟,王焕增等.测井识别岩性新方法.2005,24（5）：93～96.
于兴河.油气储层表征与随机建模的发展历程及展望.地学前缘.2008,15(1):1～15.
于兴河.碎屑岩系油气储层沉积学.北京:石油工业出版社，2002.
曾兰，程国建，廉师友.结合粗糙集与支持向量回归进行油藏物性参数预测.计算机工程与设计.2010,31(8):1809～1812.
曾文冲.油气藏储集层测井评价技术.北京:石油工业出版社，1991.88～89.
张翠平，苏光大.人脸识别技术综述.中国图象图形学报，2000，5（11）：885～894.
张德林.地震储层平面预测技术与实例.北京:石油工业出版社,1992.
张锋,张星,张乐.利用支持向量机方法预测储层产能.西南石油大学学报.2007,29(3)24～27.
张铃.基于核函数的SVM与三层前向神经网络的关系.计算机学报，2002，25(7):696～700.
张荣忠,季玉新,崔凯,等.油储地球物理综合描述技术.勘探地球物理进展,2002,25(1):55～62.
张婷，徐守余.储层地质建模技术研究与展望.长春理工大学学报.2009,4(4):191～192.
张文修,吴伟志,梁吉业等.粗糙集理论和方法.北京:科学出版社,2001,19～25,67～70.
张文宇,贾嵘.数据挖掘与粗糙集方法.西安：西安电子科技大学出版社.2007.
张翔,王智,罗菊兰等.基于逐步判别与支持向量机方法的沉积微相定量识别.测井技术.2010,34(4):365～368.
张兴平,衣英杰,夏冰.利用多种参数定量评价储层层间非均质性.油气地质与采收率,2004,11(1):56～57.
张学工译.统计学习理论的本质.北京:清华大学出版社，2000.
张英．基于支持向量机的过程工业数据挖掘技术研究．[博士学位论文].杭州：浙江大学，2005．
张志涌.精通MATLAB.北京：北京航空航天大学出版社.2003.270～283.
郑希科，朴玉琴，孟凡宇等.水平井油水两相流含水率解释预测.测井技术.2012,36(3):318～320
郑延斌,李国和.支持向量机在地层识别中的应用.河南师范大学学报(自然科学版).2009,37(2):37～39.
钟仪华,李榕,张志银等.基于主成分分析的离散过程神经网络水淹层动态预测方法.测井技术.2010,34(5):432～436.
周凡，姜洪福，王立艳等.基于阵列感应测井的支持向量机流体识别方法.中国海洋大学学报.2011,41,317～323.
周继宏，袁瑞.基于支持向量机的复杂碎屑岩储层岩性识别.石油天然气学报.2012,34(7):72～75.
周瑞,杨建国.基于粗糙集与支持向量机的发动机故障诊断研究.内燃机学报,2006,24(4):379～383.
朱永才,薛坤林.基于支持向量机的储层参数反演.广东石油化工学院学报.2012,22(1):44～46.
邹华胜，宁书年,杨峰等.支持向量机在储层厚度预测和计算中的应用.地球物理学进展，2007，22（5）：1597～1601.
B. Boser, I.Guyon, V.N.Vapink. A training algorithm for optimal margin classifiers.In Proceedings of5th Annual Workshop Computation on Learning Theory. Pittsburgh, PA:ACM,1992.
Block, S., Empirical prediction of porosity and permeability in sandstones, AAPGBulletin,1991,75：1145～1160.
B. Scholkopf, C.J. Burges, A.J. Smola (eds.). Advance in Kernel Methods Support VectorLearning, Cambridge MA, MIT Press,1999.
Boschetti F., Dentith M.C，List R. D. Inversion of seismic refraction data usinggenetic algorithms. Geophysics,1996,61(6):1715～1727.
Cortes C and Vapnik V.Support Vector Networks.Machine Learning,199520:1～25.
C.F.Lin, S.D.Wang. Fuzzy support vector machines. IEEE Transactions on NeuralNetworks,2002,13(3):466～471.
Chih-Chung Chang, Chih-Jen Lin. LIBSVM—A Library for Support Vector Machines(Version3.14). http://www.csie.ntu.edu.tw/~cjlin/libsvm/.2012.
C1erc M., Kennedy J. The Particle Swarm: Explosion,Stability and Convergence ina Multi-Dimensional Complex Space，IEEE Trans. Evolution. Comput.2002，6（l）：68～73.
Chen Z. The Method of rough-set decision analysis and its application to patternrecognition of seismic data. In: SEG, EAGE, CPS. SEG/EAGE/CPS. International GeophysicalConference and Exposition. Beijing.1998.
Christopher A and Liu X W. Face detection using spetral histograms and SVMs. IEEETransactions on systems, Man, and Cybernetics-Part B:Cybernetics,2005,35(3):467～476.
Cristianini, N. An introduction to support vector machines and other kernel-basedlearning methods. London: Cambridge university press.2000.
Deng Y., Wang H.Y. The Support Vector Machines for predicting the reservoir thickness.Proceedings-20128th International Conference on Natural Computation, ICNC2012.118～120.
Dubose J.B. Practical steps toward realizing the Potential of Monte Carlo automaticstatics. Geophysics,1993,58(3):399～407.
E.Osuna, R.Freund, F. Girosi. An improved training algorithm for support vectormachines. Proceedings of the1997IEEE Workshop on Neural Networks for Signal Processing.New York:IEEE Press,1997.
E.Osuna, R.Freund, F. Girosi. Training support vector machines: An application toface detection. Proceedings.IEEE. Conf. Computer Vision and Pattern Recognition, PuertoRico,1997.
G. Fung, O.L.Managasarian. Proximal support vector machine classifiers. ProceedingsKDD2001, San Francisco. Association for Computing Machinery, New York,2001:77～86.
G. Lanckriet, N. Cristianini, P. Bartlett, et al. Learning the Kernel Matrix withSemidefinite Programming. Journal of Machine Learning Research,2004,5:27～72.
H. C. Kim, S.N.Pang, H.M. Je,et al. Support Vector Machine Ensemble with Bagging.Lecture Notes in Computer Science,2002,2338:397～407.
H.P. Huang, Y.H.Liu. Fuzzy support vector machines for pattern recognition.Iinternational Journal of Fuzzy Systems,2002,4(3):826～835.
HONG T,TSENG L, CHIEN B.Mining from incomplete quantitative data by fuzzy roughsets.Expert Systems with Applications,2010,37(3):2644-2653.
HU Q Y, YU D R,WU C X. Fuzzy preference relation rough sets.Proc of IEEE InternationalConference on Granular Computing.2008:300～305.
Huang S N.，TAN K K. and Lee T H. Adaptive Neural Netwok Algorithm for Control Designof Rigid～Link Electrically Drive Robots. Neurocomputing，2008，71:885～894.
J. C. Platt. Fast Training of Support Vector Machines using Sequential MinimalOptimization. Advances in Kernel Methods-Support Vector Learning,1999,185～208
John H. Holland. Adaptation in Natural and Artificial Systems. University of MichiganPress,1975.
J. Zhang, Y. Wang. A rough margin based support vector machine. Information Sciences.2008,178(9):2204～2214.
Jervis M., Sen M.K., Stoffa P.L. Prestack migration velocity estimation usingnonlinear methods Geophysics,1996,60(6):138～150.
Kennedy，J.Eberhart，R.C.. Particle Swarm Optimization. Proc.IEEE Internationalconference on Neural Networks.1995：1942～1948.
Lake L W, Jr Carroll H B. Reservoir characterization. Orlando: Academic Press,1986:487～543.293～339.
Li S, Tan M. Tuning SVM parameters by using a hybrid CLPSO-BFGS algorithm.Neurocomputing,2010,73(10):2089～2096.
Lin C C, Chen S H, Truong T K,etc. Auto classification and categorization based onwavelets and support vector machine. IEEE Transaction on Speech and Audio Processing,2005,13(5):644～651.
M. N. Nguyen, J.C. Rajapakse. Multi-Class Support Vector machines for protein SecondaryStructure Prediction. Genome Informatics,2003,14:218～227.
M. Hofmann. Support Vector Machines-Kernels and the Kernel Trick.Technical Report,Universitat Bamberg,2006.
N. Cristanini, J. S. Taylor. An Introduction to Support Vector Machines and OtherKernel-based Learning Methods. Cambridge University Press,2000.
O. L. Managasarian, D. R. Musicant. Lagrangian support vector machines. Journal ofMachine Learning Research,2001,1:161～1777.
P.W. Chen, J.Y. Wang. Model selection of SVMs using GA approach. Proceedings of2004IEEE International Joint Conference on Neural Networks. Piscataway, New York::IEEE Press,2004:2035～2040.
Pawlak Z．1982． Rough Set． International Journal of Computer and InformationSciences，11:341～356.
Pawlak Z．1991． Rough Set: Theoretical Aspect s of Reasoning About Data． Boston:Kluwer Academic Publishers:22～40.
Pawlak Z,Skowron A. Rudiments of rough sets. Information Sciences,2007,177,3-27.
Pettijohn F J, Potter P E, Siever R. Sand and sandstone. Berlin: Springer-Verlag,1973:550～554.
Scholkopf B， et al. Comparing support vector machines with gaussian kernels to radialbasis function classifiers. IEEE Trans. on signal processing，1997，45:2758～2765.
Scholkopf B, Smola A J, Williamson R C, et al. New support vector algorithms.NeuralComputation,2000,1207～1245.
Shi Y and Eberhart R C. Fuzzy adaptive particle swarm optimization. In：Proc Congresson Evolutionary Computation，Seoul，Korea，2001.
Smola A. J. Learning with kernels. berlin:Technical university of berlin,1998.
Srinvivas M.,Patnaik L M. Adaptive probabilitis of crossover and mutation in gas,IEEETrans on SMC,1994,24(4):656～667.
Suykens J A K.，Van Gestel T.， De Brabanter J. etc. Least squares support vectormachines. Singapore: World scientific publishing Co.，Pte.，Ltd.，2002.
Suykens J A K.，Vandewalle J. Least squares support vector machine classifiers. Neuralprocessing letter.1999，9:293～300.
Tong S C.， He X L.，Li Y M. etc. Adaptive Fuzzy Backstepping Robust Control forUncertain Nonlinear Systems Based on Small～gain Approach. Fuzzy Sets and Systems，2010，161:771～796.
Vapnik V N.Estimation of dependencies based on empirical data.1979,Nauka,Moscow.
Vapnik V N.Three fundamental concepts of the capacity of learning machines.PhysicaA,1993,200:538～544.
Vapnik V N. The nature of statistical learning theory. New York:Springer Verlag,1995:85～151.
Vapnik V N.Statistical learning theory,J. Wiley, New York,1998.
Wu C H., Tzeng G H., Goo Y J., et al. A real-valued genetic algorithm to optimizethe parameters of support vector machine for predicting bankruptcy. Expert systems withapplications,2007，32(2):397～408.
WU W Z.Fuzzy rough sets determined by fuzzy implication operators.Proc of IEEEInternationalConference on Granular Computing.Washington DC: IEEE Computer Society,2009:596～601.
YAO Y Y.Three-way decisions with probabilistic rough sets.InformationSciences,2010,180(3):341～353.
Y.J.Lee, O.L.Managasarian. SSVM:A Smooth support vector machine. ComputationalOptimization and Applications,2001,20(1):5～22.
Y.J.Lee, W. F. Hsieh,. SSVR: E-Smooth support vector machine for e-insensitiveregression. IEEE Transactions on Knowledge and data Engineering,2005,17(5):678～685.
Zhang X L, Chen X F, He Z J. An ACO-based algorithm for parameter optimization ofsupport vector machines. Expert Systems with Applications,2010,37(9):6618～6628.
白鹏，李彦等.基于支持向量机理论及工程应用实例.西安:西安电子科技大学出版社，2008.1～5.
鲍祥生,尹成,赵伟,等.储层顶测的地震属性优选技术研究.石油物探,2006,45(1):28～33.
蔡煜东,姚林声.用人工神经网络建立油田采收率模型.石油地球物理勘探,1994,29(2):166～169.
常甜甜.支持向量机学习算法若干问题的研究.西安电子科技大学，2010，16.
陈波，凌云，刘钦甫，等．利用地震属性技术分析储层含油气信息——以塔里木盆地HD4油田为例．特种油气藏，2005，12(3):12～15．
陈德元,谭成仟,徐振永等.基于岩性划分的渗透率预测模型研究.地球科学与环境学报.2007,29(2):158～161.
陈国良,王煦法,庄正泉等.遗传算法及其应用,北京:人民邮电出版社，1996.
陈华，邓少贵，范宜仁.基于LS～SVM的测井物性参数的预测方法.计算机工程与应用,2007,43(23):208～210.
陈建阳,于兴河.储层地质建模在油藏描述中的应用.大庆石油地质与开发,2005,24(3):17～18.
陈永生.油田非均质对策论.北京:石油工业出版社,1993:13～75.
陈遵德,朱广生,毛宁波.用遗传算法选择储层预测中的地震特征.中国地球物理学会年刊,北京:石油工业出版社,1995.
陈遵德.储层地震属性优化方法.北京：石油工业出版社，1999．
程国建,郭瑞华PSO-LSSVM分类模型在岩性识别中的应用.西安石油大学学报(自然科学版).2010,25(1):96～100.
程时清,陈平中.利用试井压力描述储层非均质性.石油与天然气地质,1995,16(3):285～289.
褚蕾蕾，陈绥旭，周梦.计算智能的数学基础.北京：科学出版社，2002.
邓乃扬，田英杰.数据挖掘中的新方法—支持向量机.北京:科学出版社.2004，23～34.
邓燕.我国储层非均质性表征研究评述.内蒙古石油化工.2012,（23）：1～2.
董李艳，胡海平，赵丛.基于人脸重要特征和SVM的人脸识别方法.应用数学与计算数学学报,2008，22（1）：109～114.
冯天瑾，丁午乾.计算智能与科学配方.北京：科学出版社，2009.
巩知乐,张德贤,胡明明.一种改进的支持向量机的文本分类算法.计算机仿真,2009,26（7）：164～167.
关达，付强．地震解释技术新进展．勘探地球物理进展，2003，26（5-6）：367～373．
管秀强,王淑玲,黄英.营72断块沙三中亚段储层非均质性研究.胜利学刊.1997,11（4）：4～6.
韩虎,任恩恩,李玉龙.基于粗集理论的支持向量机分类方法研究.计算机工程与设计,2007,28(11):2640～2641.
何芬,李涛,马奎前.渤中34-1油田储层非均质性研究.内蒙古石油化工.2010,(4):114～116.
姬战怀.研究了用测井曲线预测储层参数—正则化神经网络方法.[硕士学位论文].西安：西安科技大学,2003.
江山,蒋明煊,程彦武. A油田储层非均质性研究.西南石油大学学报(自然科学版).2008,30(6):1010～104.
姜香云,吴胜和,王绍华.大港油田官104断块储层非均质性研究.地球物理学进展.2007,22(5):1446～1454.
蒋桂莲.基于粗糙集和支持向量机的人脸识别.[硕士学位论文].长沙：长沙理工大学.2010.4～11.
焦玮玮,孙威.核磁共振全直径岩心分析仪磁体的研制.南京大学学报:自然科学版,2005,41(4):382～387.
金强, JamesR Browton.用生产井信息确定储层非均质性.石油大学学报:自然科学版,1999,23(2):18～21.
金珠.改进的支持向量机分类算法及其在煤矿人因事故安全评价中的应用.[博士学位论文].北京：中国矿业大学.2011.
乐友喜，袁全社.支持向量机方法在油气储层参数预测中的应用.2005,25(12):45～47.
李国正,王猛,曾华军译.支持向量机导论.北京：电子工业出版社.2004.
李健.利用劳伦兹系数定量评价储层宏观非均质性—以埕岛油田馆陶组上段为例.油气地质与采收率,2006,13(2):24～26.
李梦溪,李仰民,谷文彬.沁水盆地煤储层非均质性控制因素研究.内蒙古石油化工.2009，16（6）：17～20.
李敏强,寇纪淞,林丹,等.遗传算法的基本理论与应用.北京:科学出版社,2002.
李庆忠.含油气砂层的频率特征及振幅特征.石油地球物理勘探,1995,30(1):21～23.
李榕,钟仪华.基于最小二乘支持向量机的油气水层识别方法.天然气勘探与开发.2009,32(3):15～19.
李文厚.沉积岩石学.兰州：西北大学出版社，2002.
李杏莉,王彦春,刘力辉.基于地震资料高阶统计量的含油气储层非均质性研究——鄂尔多斯盆地大牛地气田储层预测实例.石油地球物理勘探,2009,44(3):314～31.
李祖兵,颜其彬,罗明高.非均质综合指数法在砂砾岩储层非均质性研究中的应用—以双河油田V下油组为例.地质科技情报,2007,26(6):83～87.
刘得军,冉群英,王斌.支持向量机在大庆齐家凹陷测井解释中的应用.石油物探.2007,46(2):156～161.
刘冬娥,黄婧芝,吴国平.用灰色支持向量机进行储层油气、水模式识别.石油天然气学报(江汉石油学院学报).2009,31(4):261～264.
刘涵，周党伟，钱富才.基于支持向量机模糊推理的二级倒立摆控制.仪器仪表学报，2008，29(2):330～335.
刘路.基于改进支持向量机和纹理图像分析旋转机械故障诊断研究.[博士学位论文].天津：天津大学.2011.
刘向君,夏宏泉,赵正文.砂泥岩地层渗透率预测通用计算模型.西南石油学院学报,1999,21(1):10～12.
罗公亮.从神经网络到支撑矢量机(上).冶金自动化,2001,20(5):1～5.
罗公亮.从神经网络到支撑矢量机(下).冶金自动化,2001,26(1):1～5.
罗公亮.从神经网络到支撑矢量机(中).冶金自动化,2001,25(6):1～4.
罗瑜.支持向量机在机器学习中的应用.[博士学位论文].重庆：西南交通大学,2007.
罗瑜．支持向量机在机器学习中的应用研究．[博士学位论文].成都：西南交通大学，2007．
马振锋，张大娜,丁清如.示踪剂验证井间储层非均质性的现场应用.石油工业技术监督,2007,(6):8～10.
苗夺谦,李道国.粗糙集理论、算法与应用.北京：清华大学出版社.2008.
倪逸，杨慈珠，郭玲置，等．储层油气预侧中地震属性优选问题探讨．石油地球物理勘探，1999，34(6)：614～626．
欧阳俊.基于多核混合支持向量机的城市短时交通预测，[硕士学位论文].长沙：中南大学，2011.
潘元林.油气地质地球物理综合勘探技术.北京:地震出版社,1998.
庞河清，匡建超，蔡左花.逐类组合支持向量机在致密储层判识和产能预测中的应用.大庆石油学院学报.2011,35(6):35～40.
彭佩星,王保良,李海青.基于ICA和ES～SVM的油气两相流空隙率测量.化工自动化及仪表,2007,34(4):60～62.
彭针瑞.基于LS～SVW的气液两相流参数测量研究.[博士学位论文].杭州：浙江大学.2007.
彭珍瑞,王保良,黄志尧,李海青.基于电容层析成像和LS2SVM的空隙率测量.浙江大学学报(工学版),2007,41(6):877～880.
彭真明,竺知新等.基于演化神经网络学习的储层参数预测方法.中国地球物理学会年刊武汉,北京:中国地质大学出版社，2000.
彭真明,韩燕君.遗传算法及其在剩余静校正中的应用.断块油气田,1998,5(l):5～8.
强平、陈景山等，川东碳酸盐岩储层非均质性模型，石油与天然气地质，l998(3):207～208.
秦月霜，陈显森，王彦辉．用优选后的地震属性参数进行储层预测．大庆石油地质与开发，2000,19(6):44～45．
裘怿楠，薛叔浩.油气储层评价技术.北京：石油工业出版社，2001.
施冬，张春生.基于GIS的储层非均质性灰色综合评价研究.地理空间信息.2008,6(5):12～14.
施泽进,任在清,戈汉权.基于RS与LS～SVR的储层参数预测.成都理工大学学报(自然科学版).2007,34(6):605～608.
石广仁.支持向量机在裂缝预测及含气性评价应用中的优越性.石油勘探与开发.2008,35(5):588～594.
史峰,王小川,郁磊等. MATLAB神经网络30个案例分析.北京：北京航空航天大学出版社.2010.
隋国华,李春雷.基于组合分类器的地层含油情况智能决策系统.计算机研究与发展.2011,48（Suppl.）476～479.
隋少强,宋丽红,赖生华.储层非均质性定量探讨.油气地质与采收率,2003,10(4):5～7.
孙宗海．支持向量机及其在控制中的应用研究．[博士学位论文].杭州：浙江大学，2003．
汤建国,祝峰,佘堃.粗糙集与其他软计算理论结合情况研究综述.计算机应用研究.2010，27(7)：2404-2410
唐俊.PSO算法原理及应用.计算机技术与发展.2010,20(2):213-216
唐小彪.基于对应分析的支持向量机回归在地震储层厚度预测中的应用.物探与化探.2009,33(4):468～471
唐耀华,张向君,高静怀.基于地震属性优选与支持向量机的油气预测方法.石油地球物理勘探.2009,44(1):75～80.
田冷,何顺利.长庆靖边下古生界气藏储层非均质性研究.山东科技大学学报（自然科学版）.2009,28(3):13～16.
童凯军,单钰铭,廖特权等.基于统计学的测井储层产能分级预测研究.天然气勘探与开发.2008,31(2):40～45.
万明浩,秦顺亭,起凤梧等.岩石物理性质及其在石油勘探中的应用.北京:地质出版社,1994.
汪杭军,张广群，方陆明.粗糙集属性约简算法的实现与应用.计算机工程与设计,2007,28(4):777～779.
王国胤,姚一豫,于洪.粗糙集理论与应用研究综述.计算机学报,2009,32(7):1230～1246.
王国胤. Rough集理论和知识获取.西安:西安交通大学出版社,2001,122～123.
王佳.混合核支持向量机参数优化及其应用研究，[硕士学位论文].长沙：长沙理工大学.2011.
王家华,张团峰.油气储层随机建模.北京:石油工业出版社,2001.
王全丽.基于粗糙集理论的个性化推荐算法研究.[硕士学位论文].天津：河北工业大学.2011.
王兴玲,李占斌.基于网格搜索的支持向量机核函数参数的确定.中国海洋大学学报.2005,35(5):859～862.
王玉梅,季玉新,李东波,等.应用地成属性技术预测A地区储层.石油物探,2001,40(4):69～76.
王众,张哨楠,匡建超等.基于主成份分析和支持向量机的PCA-SVM储层识别模型研究.物探化探计算技术.2010,32(6):636～640.
魏聪,肖玉峰,董平川.最小二乘支持向量机在储层流体识别中的应用.石油天然气学报(江汉石油学院学报)2009,31(2):275～278.
吴何珍，符力耘，葛洪魁.利用多井声波测井数据谱分析进行储层非均质性描述.测井技术,2010,34(3):297～301.
吴胜和,李文克.多点地质统计学—理论、应用与展望.古地理学报,2005,7(1):137～144.
吴胜和,李宇鹏.储层地质建模的现状与展望.海相油气地质.2007,12(3):53～60.
肖冬生,乔东生.低阻油层识别新方法及其应用.断块油气田.2010,17（4）：509～512.
谢春利.基于最小二乘支持向量机的非线性系统自适应控制方法的研究.[博士论文].大连：大连理工大学.2011.
谢玉洪，陈志宏，陈殿远.含气储层非均质性评价技术研究及其应用.石油物探。2007，46（4）：353～358.
邢军,姜谙男,邱景平等.基于DE-SVM的岩层可钻性预测研究.东北大学学报(自然科学版),2010,31(9):1345～1348.
熊敏.商三区古近系沙二下亚段储层非均质性研究.江汉石油学院学报,2004,26(2):29～30.
徐寅,毕硕本,潘昊. SVM和BP算法在油气识别中的对比应用研究.微计算机信息,2010,26(22):44～46.
杨斌，匡立春，孙中春等.基于遗传规划的储层含水饱和度预测方法.成都理工大学学报(自然科学版).2006，33（2）：209～213.
杨斌,匡立春,施泽进.一种基于核学习的储集层渗透率预测新方法.物探化探计算技术.2005,(27)2:119～122.
杨斌,匡立春,孙中春.一种用于测井油气层综合识别的支持向量机方法.测井技术.2005,29(6):511～514.
杨斌.线性测井储层特征智能反演方法及应用研究.[博士学位论文].成都：成都理工学院,1999.
杨磊，王化增，陈子凌.基于支持向量机的油气储量价值等级评价.中国石油大学学报(自然科学版).2012,36(3):192～196.
杨汝月,潘星,曹飞龙.约简数据集的支持向量分类机算法.计算机应用与软件,2008,25(12):44～45.
杨伟新，张晓森.粒子群优化算法综述.甘肃科技，2012,28（5）:88-91
姚凯丰,陆文凯,丁文龙.一种基于SVM特征选择的油气预测方法.天然气工业.2004,24(7):36～38.
姚胜林.阿联酋阿布扎比近海油田利用测井数据进行渗透率估算.国外油田工程,2010.26(6):53～54.
尹成.非线性全局最优化反演剩余静校正研究.[博士学位论文].成都：成都理工学院,1997.
印兴耀,周静毅.地震属性优化方法综述.石油地球物理勘探,2005,40(4):482～489.
雍世和，张超谟.测井资料数据处理与综合解释.东营：中国石油大学出版社，2007：142～151.
于翠玲,林承焰.储层非均质性研究进展.油气地质与采收率.2007,14(4):15～18.
于代国,孙建孟,王焕增等.测井识别岩性新方法.2005,24（5）：93～96.
于兴河.油气储层表征与随机建模的发展历程及展望.地学前缘.2008,15(1):1～15.
于兴河.碎屑岩系油气储层沉积学.北京:石油工业出版社，2002.
曾兰，程国建，廉师友.结合粗糙集与支持向量回归进行油藏物性参数预测.计算机工程与设计.2010,31(8):1809～1812.
曾文冲.油气藏储集层测井评价技术.北京:石油工业出版社，1991.88～89.
张翠平，苏光大.人脸识别技术综述.中国图象图形学报，2000，5（11）：885～894.
张德林.地震储层平面预测技术与实例.北京:石油工业出版社,1992.
张锋,张星,张乐.利用支持向量机方法预测储层产能.西南石油大学学报.2007,29(3)24～27.
张铃.基于核函数的SVM与三层前向神经网络的关系.计算机学报，2002，25(7):696～700.
张荣忠,季玉新,崔凯,等.油储地球物理综合描述技术.勘探地球物理进展,2002,25(1):55～62.
张婷，徐守余.储层地质建模技术研究与展望.长春理工大学学报.2009,4(4):191～192.
张文修,吴伟志,梁吉业等.粗糙集理论和方法.北京:科学出版社,2001,19～25,67～70.
张文宇,贾嵘.数据挖掘与粗糙集方法.西安：西安电子科技大学出版社.2007.
张翔,王智,罗菊兰等.基于逐步判别与支持向量机方法的沉积微相定量识别.测井技术.2010,34(4):365～368.
张兴平,衣英杰,夏冰.利用多种参数定量评价储层层间非均质性.油气地质与采收率,2004,11(1):56～57.
张学工译.统计学习理论的本质.北京:清华大学出版社，2000.
张英．基于支持向量机的过程工业数据挖掘技术研究．[博士学位论文].杭州：浙江大学，2005．
张志涌.精通MATLAB.北京：北京航空航天大学出版社.2003.270～283.
郑希科，朴玉琴，孟凡宇等.水平井油水两相流含水率解释预测.测井技术.2012,36(3):318～320
郑延斌,李国和.支持向量机在地层识别中的应用.河南师范大学学报(自然科学版).2009,37(2):37～39.
钟仪华,李榕,张志银等.基于主成分分析的离散过程神经网络水淹层动态预测方法.测井技术.2010,34(5):432～436.
周凡，姜洪福，王立艳等.基于阵列感应测井的支持向量机流体识别方法.中国海洋大学学报.2011,41,317～323.
周继宏，袁瑞.基于支持向量机的复杂碎屑岩储层岩性识别.石油天然气学报.2012,34(7):72～75.
周瑞,杨建国.基于粗糙集与支持向量机的发动机故障诊断研究.内燃机学报,2006,24(4):379～383.
朱永才,薛坤林.基于支持向量机的储层参数反演.广东石油化工学院学报.2012,22(1):44～46.
邹华胜，宁书年,杨峰等.支持向量机在储层厚度预测和计算中的应用.地球物理学进展，2007，22（5）：1597～1601.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |