《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》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于支持向量机的煤层气井排采层位水源判识》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

√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。