《表2 灰色关联分析及神经网络预测结果Table 2 Predicted results of the grey correlation analysis and neural network》
√代表预测正确;×代表预测错误
为对支持向量机预测方法可行性以及结果准确性进行对比分析,采用目前常见的灰色关联分析、径向基函数(RBF)神经网络、多层感知器(MLP)神经网络等几种预测方法对文中煤层气排采层位水源进行判识(表2)。其中,灰色关联分析以最大相似性作为决策的标准,即按照预测样本与训练样本最大近似程度进行分类,数据分析前采用极差法进行预处理;径向基神经网络经过反复调试选择采用单隐藏层,4个神经元的结构,3#煤层产出水训练准确性100%,15#煤层产出水训练准确性90%,合采层产出水训练准确性80%;多层感知器神经网络采用单隐藏层,7个神经元的结构,3#煤层产出水训练准确性100%,15#煤层产出水训练准确性100%,合采层产出水训练准确性80%结果显示,灰色关联分析预测准确率为83.3%,RBF神经网络预测准确率为66.7%,MLP神经网络预测准确率仅为33.3%。分析可知,虽然神经网络具有极强的非线性逼近能力,但这种能力是建立在样本数据的典型性上,即要求样本数量趋于无穷大或者具有明显的代表性。因此,就小样本数据而言,其泛化能力是有限的;同样,灰色关联分析分类法的预测能力也取决于训练样本深度,当比较序列中存在与参考序列(即预测样本)相似的样本时,其预测结果比较可信,该方法在分类上也存在着一定的局限性。综合来看,支持向量机方法针对小样本数据而言,在分类上优于上述方法,是一种可行、有效的判识煤层气井排采水源判别方法。
图表编号 | XD0015880700 严禁用于非法目的 |
---|---|
绘制时间 | 2018.04.01 |
作者 | 李叶朋、申建、陶俊杰 |
绘制单位 | 中国矿业大学煤层气资源与成藏过程教育部重点实验室、中国矿业大学煤层气资源与成藏过程教育部重点实验室、中国矿业大学煤层气资源与成藏过程教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |
查看“表2 灰色关联分析及神经网络预测结果Table 2 Predicted results of the grey correlation analysis and neural network”的人还看了
- 表4 GA3处理下植物性状与产量的灰色关联分析Table 4 Grey correlation analysis of agronomic characters and yield of common buckwheat after spr