论文部分内容阅读
在人工智能和数据挖掘领域研究中,机器学习方法具有十分重要的研究意义,其中相关向量机(RVM)是一种新型的分类预测机器学习方法,该方法具有稀疏性高,分类预测准确度高,泛化能力强,以及其核函数不需要满足Mercer条件等优点。但是在现有相关向量机方法模型研究中,一直存在核函数无法科学、合理地选择问题,从而导致相关向量机的分类预测精度和效率降低。为此,本文主要基于多核核函数思想,研究多核相关向量机,并应用于石油测井数据挖掘之中,主要工作或创新如下:(1)基于进化计算的多核RVM方法分析及其仿真。在分析经典RVM基本原理基础上,构建基于多核思想的多核RVM模型,并研究了基于粒子群(PSO)的多核RVM方法(PSO-MKRVM),即采用PSO算法优化多核RVM模型的参数。典型仿真实验结果表明,基于PSO的多核RVM的分类精度要高于经典RVM方法和基于PSO的单核RVM方法,能够找到最优的核参数及核函数组合系数,但也存在训练时间长、稳定性等缺点,有待改进。(2)基于二阶锥规划(SOCP)的多核RVM方法研究。为克服单核RVM方法分类精度低和PSO-MKRVM方法运算时间长,稳定性差的缺点,提出一种基于SOCP的多核RVM新方法(SOCP-MKRVM),即构建出基于SOCP方法的多核校正原理的RVM模型,从理论上推导出多核RVM模型可转化为一个凸优化问题,并可采用SOCP快速求解。典例仿真表明此新方法不仅分类精度得到提高,而且训练时间大大缩短。(3)石油测井数据挖掘应用研究。为了提高石油测井数据挖掘效果,建立基于SOCP-MKRVM的油层识别模型,对新疆某油田实际测井数据进行油层识别,结果表明SOCP-MKRVM方法的识别效果和运算效率远优于经典RVM及其改进方法,在油层识别中的数据挖掘效果显著。