学位论文 > 优秀研究生学位论文题录展示

基于过程神经元网络的时间序列数据挖掘模型及其应用

作　者: 李欢
导　师: 许少华
学　校: 大庆石油学院
专　业: 计算机软件与理论
关键词: 时间序列数据挖掘过程神经元网络学习算法应用
分类号: TP311.13
类　型: 硕士论文
年　份: 2010年
下　载: 64次
引　用: 0次
阅　读: 论文下载

内容摘要

过程神经元网络(PNN,Process Neural Networks)是传统神经元网络扩展到时间域上的一种新型人工神经网络模型。网络的输入与输出均可为依赖于时间(或过程)变化的连续函数。模型具有良好的非线性性质、强泛化能力和高容错性等特点。针对传统人工神经网络在解决时间序列数据挖掘问题时受到输入同步瞬时限制的问题,论文提出了一类基于过程神经元网络的时间序列数据挖掘模型和算法。这类模型在处理时间序列数据挖掘问题时,能够充分反映时间序列中实际存在的时间累积效应,其模型精度和泛化能力都高于传统人工神经元网络。因此,研究基于过程神经元网络的时间序列数据挖掘模型和算法对于解决时间序列数据挖掘问题具有很重要的意义。论文首先介绍了时间序列数据挖掘的研究现状,分析了传统人工神经网络解决时间序列数据挖掘问题的局限性,并指出用过程神经元网络解决时间序列数据挖掘问题;结合离散过程神经元网络模型和双隐层过程神经元网络模型,论文提出了一类基于过程神经元网络的时间序列数据挖掘模型,即时间序列过程神经元网络挖掘模型和双隐层时间序列过程神经元网络挖掘模型,并给出了基于离散Walsh函数变换的学习算法,用于确定网络的连接权值和激励阈值。论文最后将基于过程神经元网络的时间序列数据挖掘模型应用于油田地质领域中的水淹层自动判别和沉积微相自动识别等时间序列数据挖掘实际问题。在水淹层自动判别实例中,先后用时间序列过程神经元网络挖掘模型和双隐层时间序列过程神经元网络挖掘模型对大庆油田葡区4口井的测井数据进行训练识别,结果显示双隐层时间序列过程神经元网络的收敛速度和模型精度高于时间序列过程神经元网络。双隐层时间序列过程神经元网络挖掘模型实际上可以看成是时间序列过程神经元网络挖掘模型的改进模型。在沉积微相自动识别实例中,网络学习训练之前,先采用了最小决策算法对标准模式类学习样本进行筛选,以提高网络的学习效率和适应能力。为了对比实验,将经过筛选的学习样本和未经过筛选的学习样本分别输入到相同结构和参数的双隐层时间序列过程神经元网络中,进行学习训练,对比结果显示在网络学习之前先对学习样本进行筛选的确提高了网络的收敛速度和学习效率。应用实例证明了模型和算法的有效性。

全文目录

摘要  4-5
ABSTRACT  5-7
创新点摘要  7-10
第1章绪论  10-17
  1.1 数据挖掘的产生和定义  10-11
  1.2 数据挖掘一般过程  11-13
  1.3 时间序列数据挖掘的产生和定义  13-14
  1.4 时间序列数据挖掘现状分析  14
  1.5 基于神经网络的时间序列数据挖掘研究概况  14-16
  1.6 本文研究的目标和内容  16-17
第2章过程神经元网络  17-24
  2.1 过程神经元  17-18
  2.2 离散过程神经元网络模型  18-20
    2.2.1 网络结构  18-19
    2.2.2 学习算法  19-20
  2.3 双隐层过程神经元网络模型  20-23
    2.3.1 网络结构  20-21
    2.3.2 学习算法  21-23
  2.4 本章小结  23-24
第3章基于过程神经元网络的时间序列数据挖掘模型及算法  24-33
  3.1 时间序列过程神经元  24-25
  3.2 时间序列过程神经元网络挖掘模型  25-29
    3.2.1 时间序列过程神经元网络结构  25-26
    3.2.2 时间序列过程神经元网络基于离散Walsh 函数变换的学习算法  26-29
  3.3 双隐层时间序列过程神经元网络挖掘模型  29-32
    3.3.1 双隐层时间序列过程神经元网络结构  29-30
    3.3.2 双隐层时间序列过程神经元网络基于离散Walsh 函数变换的学习算法  30-32
  3.4 本章小结  32-33
第4章时序过程神经元网络挖掘模型在水淹层识别中的应用  33-42
  4.1 模型应用原理描述  33-34
  4.2 模式特征提取  34-35
  4.3 测井资料预处理  35-37
  4.4 网络学习及水淹层判别  37-40
  4.5 本章小结  40-42
第5章时序过程神经元网络挖掘模型在沉积微相识别中的应用  42-46
  5.1 模型应用原理描述  42
  5.2 测井资料预处理  42-43
    5.2.1 测井曲线自动分层  42-43
    5.2.2 插值处理  43
    5.2.3 标准化处理  43
  5.3 沉积微相特征提取及学习样本筛选  43-44
    5.3.1 沉积微相特征提取  43
    5.3.2 学习样本筛选  43-44
    5.3.3 最小决策算法  44
  5.4 网络训练和模式识别  44-45
  5.5 本章小结  45-46
第6章结论与展望  46-48
  6.1 全文总结  46-47
  6.2 今后的研究方向  47-48
参考文献  48-51
发表文章目录  51-52
致谢  52-53
详细摘要  53-62

基于过程神经元网络的时间序列数据挖掘模型及其应用

内容摘要

全文目录

相似论文