摘要：受地层岩性变化影响,传统方法进行有机碳含量（TOC）拟合预测精度偏低。为提高TOC拟合精度,减小普通神经网络对连续信号的时间累积误差,提出一种极限学习离散过程神经网络的TOC拟合预测模型。模型用向量模拟过程式输入,内部通过抛物插值的数值积分完成离散样本的时域聚合。通过对离散过程神经元的结构分析,提出极限学习训练算法,在隐层相关参数随机赋值后,通过Moore-Penrose广义逆求解输出权值,模型学习速度快。最后将该方法应用于TOC拟合预测,利用相关性分析,选取对TOC响应最敏感的测井曲线作为模型的特征输入。与传统方法和其他神经网络对比,该方法的拟合精度较高,预测TOC与实测值有更好的相关性。
分类：期刊> 人文社会科学> 社会科学II> 高等教育
收录：知网收录(中) > 维普收录(中) > 万方收录(中) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：总有机碳 离散过程神经网络 网络训练
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
