導航:首頁 > 編程大全 > bp神經網路主成分

bp神經網路主成分

發布時間:2024-08-11 18:45:22

A. 中深層油氣藏高精度地震勘探關鍵技術

隨著勘探工作的深入,沙三下、沙四、孔店等中深層成為下步增儲上產的重要接替層系,地層岩性組合特點是多為砂泥岩薄互層,具有埋藏深度大、儲層單層厚度薄和橫向變化快的特點,局部地區含有灰質、白雲質成分,地震描述難度大,主要原因在於中深層地震反射能量較弱、信噪比低、成像差、吸收衰減大,難以有效地識別中深層目標,因此,「十一五」期間重點加強了採集、處理過程中提高資料信噪比和成像精度技術的攻關研究,在勝利探區的民豐、五號樁、純化和中原濮衛文北等地區的應用中取得了一定了效果,提高了中深層資料的成像質量;解釋方面主要以沉積背景約束的多屬性儲層預測為主,形成了針對中深層油氣藏勘探的關鍵技術方法(表4-17)。

表4-17 中深層油氣藏高精度地震勘探技術對策表

(一)中深層油氣藏地震採集關鍵技術

1.深層目標的觀測系統設計

針對深層反射能量弱、成像效果差的勘探難點,設計反映深層目標地區特徵的地質模型,通過照明分析和模型正演分析了解觀測系統對各目標層位的照明情況和成像效果,優化觀測系統布局和指導炮點加密,設計出「能解決地質問題」的觀測系統。

圖4-132是炮點加密及最佳接收位置確定前後模擬剖面對比,可以看出經過照明統計分析,實施後剖面成像質量高於實施前成像質量,照明陰影區減小,斷層處成像已經有了很大的改善。

圖4-133為基於疊前成像的觀測系統設計技術流程框圖。經過基於疊前偏移成像效果設計的觀測系統一般具有炮檢點布局均勻、空間連續性好的特點,從而獲得較好的疊前偏移效果和均勻的橫向照明。

2.高能激發技術

激發是三維地震的重要環節,激發條件選擇的目的是增強激發有效波能量,達到勘探深度的要求,激發的地震波頻譜要寬,使地震資料有較高的分辨能力;多次激發的重復性要好,確保全區地震記錄穩定。激發條件選擇重點圍繞激發深度、激發岩性、激發葯量、激發方式等四大因素。合適的激發深度應避開低速帶,避開虛反射的干擾。合適的激發岩性應避開流沙層、鬆散砂層等彈性不好的岩層;合適的葯量應保證深層有一定的信噪比,反射波頻譜要寬,避免過大、過小葯量出現;合適的激發方式要通過試驗確定單點激發還是組合激發,以最大削弱干擾波。

圖4-132 炮點加密及最佳接收位置確定前後剖面

圖4-133 基於疊前成像的觀測系統設計技術流程框圖

1)延遲震源激發技術

通過對炸葯爆速、震源結構、爆炸方向等影響地震激發效果因素的研究,尤其是對寬頻帶、高能量、強方向性、低干擾震源的研究,利用葯量與激發子波頻率成畝此亮反比,以及與激發子波振幅成正比,同時利用爆炸能量的疊加性和爆炸的定向性,開發了延遲疊加震源,利用小葯量爆炸產生高頻信號的特點和爆炸能量延遲疊加來解決小葯量激發能量不足的問題,延時震源的研製與應用能夠滿足高能、寬頻的地震激發要求。優點有:能量定向傳播,實現同相疊加;有效壓制次生干擾波;提高了主頻,增加了頻寬。

圖4-134a中可見延時震源單炮記錄淺中深反射信號扒老能量強,而面波能量明顯減弱。另外,多級延時爆炸法不會隨著葯量增大而使地震波主頻和頻寬迅速減小;在相同葯量情況下,它可提高地震波主頻,拓寬地震波頻帶(圖4-134b)。

圖4-134a 延時震源與普通震源單炮記錄固定增益顯示

圖4-134b 相同葯量兩種激發方式記錄的深層頻譜對比

2)配套激發技術

震源激發參數不合理是引起次生干擾波的一個因素。要壓制雜訊,需要對激發參數進行優化,主要包括如下四個方面:

(1)優化激發井深。激發井深必須在虛反射界面下一定深度,具體深度應根據要保護的地震波信號確定。如果在虛反射界面以上激發,震源產生的能量傳到地表,會引起強大的干擾。

(2)優選葯量。葯量增大,對提高地震波能量有好處。但當葯量達到一定程度後再繼續增加葯量,轉換成地層彈性波的能量變化不大,而大部分能量用來破碎地層。不但沒有改進地震資料,反而會迅寬引起更大的次生干擾。

(3)幾何耦合。幾何耦合就是爆炸物與周圍接觸的緊密程度。接觸的越緊密,也就是幾何耦合的程度越好。為了確保較好的幾何耦合,一方面井壁內徑與葯包直徑相差不能太大,另一方面可以通過較好的封井技術來實現(圖4-135)。因此,野外採用「3次悶井」技術措施,既可防止井噴、減少聲波干擾,又能改善幾何耦合,確保激發能量的下傳。

圖4-135 不封井和封井固定增益記錄對比

(4)阻抗耦合。阻抗耦合是指炸葯和圍岩介質之間的耦合關系,爆炸物的特性阻抗與介質特性阻抗的比值稱為阻抗耦合。當該比值接近或者等於1時,阻抗耦合最好,激發的反射波能量強、有效頻帶寬、信噪比高。

(二)中深層油氣藏地震資料處理關鍵技術

1.基於廣義S變換的吸收衰減補償方法

由於中深層目的層有效反射能量相對較弱,因此有效反射能量的恢復與補償對中深層成像至關重要,能量補償技術主要包括:球面擴散補償、地表一致性振幅補償、剩餘振幅補償、基於廣義S變換的吸收衰減補償、優勢頻帶能量加強等。

根據廣義S變換理論,可以將地震道高解析度地變換為時頻平面分布,由於不存在STFT的時窗寬度問題,也不存在WT的尺度寬度問題,因此,無需加平滑窗。

從補償前後的振幅譜和時頻譜(圖4-136、圖4-137)可以看出基於廣義S變換的吸收衰減補償可以有效地補償衰減的振幅和高頻成分。

2.中深層精細速度分析技術

在分析速度譜質量影響因素的基礎上,通過對疊前去噪、道集優化處理技術、面元組合方式等進行了深入研究和分析,形成速度分析道集的優化處理技術和方法。

圖4-136 第338道補償前後能量對比

圖4-137 第100道補償前後時頻譜

通過優化速度分析面元的組合,可以提高覆蓋次數,提高速度譜質量。目前處理中一般選取矩形組合,研究對比了矩形、十字形、橢圓形三種組合方式,由於橢圓形組合既能保證一定的覆蓋次數又捨去了距面元中心較遠的道,從解析度和能量兩個方面考慮,橢圓形組合的效果更好。

3.中深層精確成像技術

應用針對中深層油氣藏的配套處理技術,疊前地震數據的規則化、疊前道內插處理、疊前時間偏移等技術,在五號樁、民豐等三維區塊取得了明顯處理效果。從圖4-138處理剖面的效果看,五號樁窪陷內古近系沙河街組波阻的連續性和疊置關系等特徵更明顯,如超覆、尖滅、前積、退積、砂礫岩體、灘壩等地質現象更清楚,為深層結構分析、地質體的識別描述和地層的接觸關系提供了基礎。

圖4-138 五號樁高精度剖面效果對比

(縱線左:老剖面;右:新剖面)

(三)中深層油氣藏地震描述關鍵技術

針對沙四-孔店等中深層砂岩油藏勘探中存在的實際問題,從地震資料特殊處理、儲層沉積背景分析、正演模擬、地層壓力預測及相控多屬性儲層綜合預測等諸方面展開深入研究,形成了以沙四上灘壩砂岩油藏為代表的地震描述技術流程,取得了良好的應用效果。

1.沉積背景信息恢復與分析技術

古地形地貌是控制盆地內沉積相發育與分布的主導因素之一,基準面旋迴變化控制著層序地層單元的結構類型、疊加樣式,高解析度層序地層學方法恢復古地貌技術關鍵是對比參照面的選擇。等時性的基準面在整個盆地中是一個連續光滑的曲面,在不同的沉積體系發育位置,其曲率大小不同,可以基準面作為對比參考面恢復下伏地層沉積前的古地貌形態;另外,最大洪泛面在實際對比中具有更好的實際操作性,因此將二者結合進行地層柱狀剖面對比來反映沉積前古地貌形態是該方法的技術關鍵。圖4-139是東營凹陷沙四上純下段沉積前古地貌圖,古地貌形態基本消除了斷層的影響,更加符合灘壩砂岩的平面分布規律,與實際鑽井情況吻合的較好。

圖4-139 東營凹陷沙四上純下段沉積前古地貌圖

2.高精度空間層序劃分技術

該技術主要是對地震資料進行濾波、傾角/方位角處理,隨後對沉積旋迴進行自動對比,經Wheller域變換之後,實現對地震層序的劃分。包括傾角/方位角控制處理、沉積旋迴韻律體層序自動對比、Wheeler域自動變換技術三個關鍵環節,在陡坡帶砂礫岩體層序研究中成效顯著。

3.相控地震屬性儲層預測技術

地震屬性是指從地震數據中導出的關於幾何學、運動學、動力學及統計特性的特殊度量值。根據灘壩砂岩發育的實際地質特點,開發了基於波形的學習型地震波形預測技術和基於同相軸及數據體的不同屬性的降維分析儲層定量評價技術。

基於不同屬性的降維分析儲層定量評價技術:基於不同數據體提取多種沿層地震屬性,通過交匯分析選擇出最佳的屬性組合,用該屬性組合與儲層沉積參數採用BP神經網路的演算法進行人工智慧儲層預測,實現沉積相控制下的儲層定量評價。該技術是在以往基於同相軸的單一地震屬性儲層預測基礎上發展起來,改進了單一地震屬性在儲層預測方面存在的不足,實現了儲層描述從定性描述向定量預測的跨越。圖4-140是純斜103地區11種屬性降維結果儲層預測圖,該區壩砂較為發育,砂體單層厚度較大,層數相對較少,從圖中可以看出第一主成分特徵明顯,較好地反映了壩砂的分布規律。

(四)五號樁高精度地震應用

五號樁工區構造上位於勝利探區孤北窪陷東部,已發現五號樁油田及多個含油區塊,勘探目的層以古近系為主,發育近岸水下扇體、濁積等多種儲集類型,勘探程度不均衡,中深層岩性及潛山具有較大勘探潛力。區內已被三維地震覆蓋,但老資料信噪比、解析度低,難以滿足岩性及斷裂帶精細描述的需要。

圖4-140 純斜103區屬性降維結果

(左:第一主成分;右:第二主成分)

五號樁地區地處海陸過渡帶,近地表條件特殊、地下地質結構復雜、沉積類型多樣,高精度三維地震資料的主要地質任務是為了落實孤北窪陷帶的構造格局,查清該區構造、岩性、地層等多類型圈閉,需要解決近地表岩性激發、提高中深層資料信噪比和解析度、岩性及中深層地質目標成像等問題。

1.地震採集關鍵技術

1)針對勘探目標的精細採集參數論證技術

針對五號樁地區的地質目標,關鍵是在提高深層地震資料信噪比的基礎上提高解析度,壓制干擾波,突出有效波,努力拓寬有效頻帶。通過採集參數論證,根據地表和地質條件,設計面向地質目標的觀測系統。與常規三維的採集參數相比,體現為高覆蓋次數、長排列、道密度大,保證了目的層高品質資料採集(表4-18)。

表4-18 五號樁高精度採集與常規三維採集參數對比

2)精細表層結構調查

五號樁地區近地表復雜,為了確定表層調查方法的適用性和有效性,在五號樁工區展開了小折射、單井(雙井)微測井、動力岩性探測、靜力岩性探測、岩心測定等10種方法試驗,小折射、單井微測井可以准確測試近地錶速度參數,動力岩性探測、靜力岩性探測可以優選最佳激發岩性。

根據動力岩性探測、靜力岩性探測和岩土參數綜合分析,建立岩性頂底界面模型,根據模型逐點設計浮動激發井深。

3)採集效果

通過精細表層結構調查後,選取最佳激發岩性,採用針對地質目標觀測系統使資料質量有了大幅提高。單炮記錄遠、中、近排列,能量較強,資料整體信噪比較高,主要目的層能量較強,反射良好,同相軸連續性較好;新單炮各目的層同相軸連續,反射明顯,深層能量強,信噪比較高。

2.地震資料處理關鍵技術

五號樁工區由於地理位置位於灘淺海地區,地表條件復雜,資料存在能量、信噪比、相位、頻率等方面差異,一致性處理難度很大。通過加強地質認識,對工區勘探開發現狀、地質目標需求、老資料存在的問題、野外採集資料進行了全面細致的分析,根據資料分析情況和疊前時間偏移技術要求,確定處理重點,採取針對性措施解決了一致性問題、靜校正問題、信噪比問題、解析度問題等影響偏移成像的問題(表4-19),地震資料品質得到改善。

表4-19 五號樁地區資料處理重點及解決方法

1)頻譜對比分析

五號樁高精度地震資料比老資料目的層優勢頻帶拓寬13Hz以上,有效頻寬拓寬22Hz以上(圖4-141)。

2)斷裂反射清楚,斷點可靠,邊界斷裂歸位較好

五號樁高精度三維斷點歸位準確(圖4-142),老資料斷點發生偏移近150m;可分辨小斷層的斷距變小,提高了分辨小斷層能力,由原來的可分辨最小斷距25m提高到可分辨最小斷距20m。

3)信噪比高,地質現象清楚

對比新老資料可以看出,五號樁高精度資料信噪比高,地質現象清楚,資料整體成像明顯改善。高精度資料上,濁積砂體前積特徵清楚,樁606井3221~3227m儲層在高精度資料上可以分辨,而在老資料上無法分辨。

3.地震解釋及應用效果

1)精細構造解釋

長堤斷層、樁南斷層、孤北斷層等控窪斷層,斷面傾角大,斷層為窪陷與潛山的分界,速度差異大,利用常規疊後偏移處理技術不能滿足成像解析度要求,從圖4-143中可以看出,在樁海連片資料上長堤斷層、樁古63台階斷層斷面不清晰甚至沒有反映,而在五號樁高精度疊前時間偏移三維資料上,三條斷層斷面清楚,成像精確,尤其是長堤斷層與次級斷層接觸關系明確,減少多解性,有助於解釋人員的正確判斷。長堤潛山在古生界發育有逆沖斷層,在常規採集的地震資料(樁海連片三維)都無法辨別逆沖斷面,而在高精度三維資料上不但斷面清晰,而且斷點清楚,與長堤斷層的接觸關系也比較明朗,已經部署了樁古60井,為長堤潛山下一步勘探打下了堅實的基礎。

圖4-141 五號樁常規地震(左)高精度(右)三維頻譜分析圖

圖4-142 五號樁高精度偏移剖面(上)與老剖面(下)對比

圖4-143 過樁古63井縱線高精度偏移剖面(右)與連片老剖面(左)對比

2)儲層地震屬性預測

高精度資料明顯提高了儲層分辨力,平面上能夠劃分濁積砂體的期次,可描述不同期次濁積砂體的展布范圍;在儲蓋組合合理的情況下,高精度資料辨別儲層的能力提高30%。

利用常規連片三維和高精度三維資料,對沙三下第二套油層進行屬性提取預測儲層分布,對比可以看出高精度疊前時間偏移資料明顯優於疊後時間偏移資料。樁海連片資料提取的屬性圖僅能看到扇體展布的大體輪廓,而利用高精度資料提取的屬性圖(圖4-144),樁74井區的濁流水道清晰可見,並且更能體現濁積扇體由南向北逐步撒開的形態。通過對不同階段採集的地震資料對比,在平面預測時,五號樁三維資料體現了其小面元、高解析度的優越性,對沙三下三套油層均能夠較為准確地預測邊界,反映不同沉積類型的儲層展布規律。

圖4-144 樁海連片三維弧長屬性圖(右)與五號樁三維弧長屬性圖(左)對比圖

在剖面上對單個儲層的分辨力而言,不同的三維也存在較大的差異。對於沙三下Ⅰ油層,在以往的認識中,受資料限制,在地震剖面上該油層同相軸時有時無,無法追蹤,在沉積上通常認為是扇三角洲沉積,儲層均質性好,大面積含油。在五號樁新三維剖面上,同相軸可追蹤,振幅強弱有變化,並可見到明顯的疊瓦狀反射,分析認為是多期濁積扇體由南向北層層疊置。

3)地質效果

應用五號樁高精度地震資料完成了區域的T2及T6構造圖,高精度地震資料屬性參數預測儲層變化邊界清晰,儲層遷移規律清楚(南北向遷移),物源方向反映清楚,兩期濁積體系均來自南部,上下疊置,展布范圍有所不同,利用高精度地震屬性預測的儲層分布符合地質規律。基於這個認識,對五號樁南斜坡沙河街組岩性體進行描述,預測有利圈閉12個,預測含油麵積11.0km2,預測石油地質儲量1000×104t,部署樁606、樁607、樁781等井,其中樁606井在沙一段、沙二段解釋油水同層3.2m/1層,沙三段解釋油層31.7m/6層,油水同層4m/層,沙三下3692~3699m井段試油,3mm油嘴,獲日產油75m3、天然氣產量4720m3

B. 預測未來油價改用什麼數學建模模型

建議用BP神經網路,並且結合主成分分析法。
一些常用的方法,比如多元回歸和時間序列方法構建價格預測模型,是一種典型的線性預測模型,能夠預測價格變化的線性關系,對中長期預測具有一定的局限性。
神經網路是一種智能預測方法,需要對對象建立准確的數學模型,能夠准確描述對象的特徵,具有學習能力強、並行處理等特點,在復雜系統等領域的建模中得到了廣泛的應用,也為石油價格預測提供了思路。但是由於影響石油價格的因子比較多,且數據中含有雜訊,直接採用神經網路學習收斂速度慢,且預測精度低,因此需要對石油價格影響因子預處理。針對石油價格變化的特點,提出一種基於主成分分析和BP神經網路的石油價格預測模型。該模型採用定性分析選擇出影響因子,再利用主成分分析方法對石油價格影響因子進行篩選,選取最主要的幾個影響因素,最後通過神經網路能夠逼近非線性連續函數的能力對石油價格進行預測,從而實現了石油價格的准確預測。
價格的預測過程
BP神經網路的預測過程如下:
1、收集石油價格以及影響因子,並獲取相關數據。
2、對石油價格影響因子進行主成分分析,並篩選出貢獻率大的主成分。
3、將石油價格數據分為訓練樣本和預測樣本。
4、採用BP神經網路對訓練樣本進行訓練,並找出模型的最優參數。
5、利用最有參數建立BP神經網路預測模型,對預測樣本進行預測。

C. 什麼叫數據挖掘、神經網路

數據挖掘是從大量的數據中,抽取出潛在的、有價值的知識(模型或規則)的過程。
1. 數據挖掘能做什麼?
1)數據挖掘能做以下六種不同事情(分析方法):
分類 (Classification)
估值(Estimation)
預言(Prediction)
相關性分組或關聯規則(Affinity grouping or association rules)
聚集(Clustering)
描述和可視化(Des cription and Visualization)
2)數據挖掘分類
以上六種數據挖掘的分析方法可以分為兩類:直接數據挖掘;間接數據挖掘
直接數據挖掘
目標是利用可用的數據建立一個模型,這個模型對剩餘的數據,對一個特定的變數(可以
理解成資料庫中表的屬性,即列)進行描述。
間接數據挖掘
目標中沒有選出某一具體的變數,用模型進行描述;而是在所有的變數中建立起某種關系

分類、估值、預言屬於直接數據挖掘;後三種屬於間接數據挖掘
3)各種分析方法的簡介
分類 (Classification)
首先從數據中選出已經分好類的訓練集,在該訓練集上運用數據挖掘分類的技術,建立分
類模型,對於沒有分類的數據進行分類。
例子:
a. 信用卡申請者,分類為低、中、高風險
b. 分配客戶到預先定義的客戶分片
注意: 類的個數是確定的,預先定義好的
估值(Estimation)
估值與分類類似,不同之處在於,分類描述的是離散型變數的輸出,而估值處理連續值的
輸出;分類的類別是確定數目的,估值的量是不確定的。
例子:
a. 根據購買模式,估計一個家庭的孩子個數
b. 根據購買模式,估計一個家庭的收入
c. 估計real estate的價值
一般來說,估值可以作為分類的前一步工作。給定一些輸入數據,通過估值,得到未知的
連續變數的值,然後,根據預先設定的閾值,進行分類。例如:銀行對家庭貸款業務,運
用估值,給各個客戶記分(Score 0~1)。然後,根據閾值,將貸款級別分類。
預言(Prediction)
通常,預言是通過分類或估值起作用的,也就是說,通過分類或估值得出模型,該模型用
於對未知變數的預言。從這種意義上說,預言其實沒有必要分為一個單獨的類。
預言其目的是對未來未知變數的預測,這種預測是需要時間來驗證的,即必須經過一定時
間後,才知道預言准確性是多少。
相關性分組或關聯規則(Affinity grouping or association rules)
決定哪些事情將一起發生。
例子:
a. 超市中客戶在購買A的同時,經常會購買B,即A => B(關聯規則)
b. 客戶在購買A後,隔一段時間,會購買B (序列分析)
聚集(Clustering)
聚集是對記錄分組,把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先
定義好的類,不需要訓練集。
例子:
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集,可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第一步。例如,"哪一種類的促銷對客戶響應最好?",對於這一類問題,首先對整個客戶做聚集,將客戶分組在各自的聚集里,然後對每個不同的聚集,回答問題,可能效果更好。
描述和可視化(Des cription and Visualization)
是對數據挖掘結果的表示方式。
2.數據挖掘的商業背景
數據挖掘首先是需要商業環境中收集了大量的數據,然後要求挖掘的知識是有價值的。有
價值對商業而言,不外乎三種情況:降低開銷;提高收入;增加股票價格。
1)數據挖掘作為研究工具 (Research)
2)數據挖掘提高過程式控制制(Process Improvement)
3)數據挖掘作為市場營銷工具(Marketing)
4)數據挖掘作為客戶關系管理CRM工具(Customer Relationship Management)
3.數據挖掘的技術背景
1)數據挖掘技術包括三個主要部分:演算法和技術;數據;建模能力
2)數據挖掘和機器學習(Machine Learning)
機器學習是計算機科學和人工智慧AI發展的產物
機器學習分為兩種學習方式:自組織學習(如神經網路);從例子中歸納出規則(如決策樹)
數據挖掘由來
數據挖掘是八十年代,投資AI研究項目失敗後,AI轉入實際應用時提出的。它是一個新興
的,面向商業應用的AI研究。選擇數據挖掘這一術語,表明了與統計、精算、長期從事預
言模型的經濟學家之間沒有技術的重疊。
3)數據挖掘和統計
統計也開始支持數據挖掘。統計本包括預言演算法(回歸)、抽樣、基於經驗的設計等
4)數據挖掘和決策支持系統
數據倉庫
OLAP(聯機分析處理)、Data Mart(數據集市)、多維資料庫
決策支持工具融合
將數據倉庫、OLAP,數據挖掘融合在一起,構成企業決策分析環境。
4. 數據挖掘的社會背景
數據挖掘與個人預言:數據挖掘號稱能通過歷史數據的分析,預測客戶的行為,而事實上,客戶自己可能都不明確自己下一步要作什麼。所以,數據挖掘的結果,沒有人們想像中神秘,它不可能是完全正確的。
5.數據挖掘技術實現
在技術上可以根據它的工作過程分為:數據的抽取、數據的存儲和管理、數據的展現等關鍵技術。
1) 數據的抽取
數據的抽取是數據進入倉庫的入口。由於數據倉庫是一個獨立的數據環境,它需要通過抽取過程將數據從聯機事務處理系統、外部數據源、離線的數據存儲介質中導入數據倉庫。數據抽取在技術上主要涉及互連、復制、增量、轉換、調度和監控等幾個方面的處理。在數據抽取方面,未來的技術發展將集中在系統功能集成化方面,以適應數據倉庫本身或數據源的變化,使系統更便於管理和維護。
2) 數據的存儲和管理
數據倉庫的組織管理方式決定了它有別於傳統資料庫的特性,也決定了其對外部數據的表現形式。數據倉庫管理所涉及的數據量比傳統事務處理大得多,且隨時間的推移而快速累積。在數據倉庫的數據存儲和管理中需要解決的是如何管理大量的數據、如何並行處理大量的數據、如何優化查詢等。目前,許多資料庫廠家提供的技術解決方案是擴展關系型資料庫的功能,將普通關系資料庫改造成適合擔當數據倉庫的伺服器。
3) 數據的展現
在數據展現方面主要的方式有:
查詢:實現預定義查詢、動態查詢、OLAP查詢與決策支持智能查詢;報表:產生關系數據表格、復雜表格、OLAP表格、報告以及各種綜合報表;可視化:用易於理解的點線圖、直方圖、餅圖、網狀圖、互動式可視化、動態模擬、計算機動畫技術表現復雜數據及其相互關系;統計:進行平均值、最大值、最小值、期望、方差、匯總、排序等各種統計分析;挖掘:利用數據挖掘等方法,從數據中得到關於數據關系和模式的知識。
6.數據挖掘與數據倉庫融合發展
數據挖掘和數據倉庫的協同工作,一方面,可以迎合和簡化數據挖掘過程中的重要步驟,提高數據挖掘的效率和能力,確保數據挖掘中數據來源的廣泛性和完整性。另一方面,數據挖掘技術已經成為數據倉庫應用中極為重要和相對獨立的方面和工具。
數據挖掘和數據倉庫是融合與互動發展的,其學術研究價值和應用研究前景將是令人振奮的。它是數據挖掘專家、數據倉庫技術人員和行業專家共同努力的成果,更是廣大渴望從資料庫「奴隸」到資料庫「主人」轉變的企業最終用戶的通途。

D. 神經網路,線性回歸,主成分分析法,決策樹哪個不屬於監督學習

主成分分析法不屬於監督學習,而是屬於無監督學習。

E. 研究人工神經網路的權值分布有什麼意義

神經網路一般都是非常龐大的,每個邊對應一個權值,如果權值不共享的話,數據量就更大了,但是為了提高效率,引入了權值共享,但是還不夠,想再次提高效率和精確度,進行主成分分析,把一些重要的權重保留,不重要的舍棄,你這個權值分布就很有意義了,比如權重是5的權值在概率上佔到了百分之95,或者說主成分分析的結果前2類權重就占據了百分之80,那麼剩下的權值就可以省略,當然這都是理論上的

閱讀全文

與bp神經網路主成分相關的資料

熱點內容
居民醫保工行手機app怎麼繳費 瀏覽:602
圖論與網路流理論答案 瀏覽:913
安裝win10後需要輸入WiFi密碼嗎 瀏覽:412
c語言加法的編程格式是什麼樣的 瀏覽:195
用戶大數據怎麼計算 瀏覽:717
手機app軟體怎麼開發 瀏覽:785
記得app 瀏覽:854
網路教課優點是什麼 瀏覽:846
設置驗證被拉入微信群 瀏覽:966
bubblegum教程 瀏覽:474
win7如何修改用戶密碼 瀏覽:169
逆戰輔助銷售網站源碼 瀏覽:100
陝西回收貼片機如何編程 瀏覽:948
以前鮑魚網站里的小說怎麼沒了 瀏覽:267
matlab程序如何調試 瀏覽:915
ps工程文件怎麼發 瀏覽:95
word文件如何批量插入蓋章 瀏覽:548
jscheckbox 瀏覽:338
pics規則文件 瀏覽:644
如何從數據中找出問題和機會 瀏覽:668

友情鏈接