导读:本文包含了岩性分类论文开题报告文献综述及选题提纲参考文献，主要关键词:火山岩,岩性识别,集成算法,AdaBoost算法
岩性分类论文文献综述
杨笑,王志章,周子勇,魏周城,曲康[1]（2019）在《基于参数优化AdaBoost算法的酸性火山岩岩性分类》一文中研究指出岩性识别是火山岩油气藏勘探的基础,为提高长岭气田火山岩岩性识别的准确率,采用决策树、支持向量机、逻辑回归、AdaBoost-决策树、AdaBoost-支持向量机和AdaBoost-逻辑回归6种算法,对研究区酸性火山岩岩性进行分类与识别。通过分析研究区火山岩不同岩性的测井响应特征,选取了对火山岩岩性、组构和孔隙结构反应灵敏的12种岩石物理测井参数作为分类特征量。选择3口井中岩心分析和岩矿录井资料完整的7 150个测井数据作为数据集,并从中随机选取70%的数据作为训练集建立岩性识别模型,剩余30%的数据作为测试集。对6种算法建立的模型通过交叉验证进行参数优化及模型评价,对比不同算法与录井剖面的结果表明,AdaBoost-决策树算法可作为长岭气田利用常规测井资料识别火山岩岩性的有效手段,准确率可达90%以上。(本文来源于《石油学报》期刊2019年04期）
韩启迪,张小桐,申维[2]（2019）在《基于决策树特征提取的支持向量机在岩性分类中的应用》一文中研究指出由于支持向量机属于黑箱模型,因此在进行模型学习时无法直接对特征进行选择,而决策树模型在递归创建的过程中自身具有一定的特征选择能力。针对岩性分类问题,本文将决策树和支持向量机结合,通过决策树的建立,在考虑特征重要性的前提下,利用树节点的高度对特征进行提取,并将具有更高分类能力的特征送入支持向量机进行岩性分类。结果表明:通过决策树的特征提取,减少了支持向量机模型的输入特征,从而有效控制了模型的复杂度,使得模型更加稳定并具有更高的分类精度,测试集精度能够提升10%以上。(本文来源于《吉林大学学报(地球科学版)》期刊2019年02期）
李宜浓,马一宁,任小锋,刘安培,平朋勃[3]（2019）在《基于岩性分类的交会图法在S地区山2~3储层的应用》一文中研究指出S地区二迭系山西组山23致密砂岩储层整体含气性差,产水多。局部含气性好,存在工业气流层。产水层岩性纯、电阻高,与气层测井响应特征近似,气水识别成为气藏开发的关键因素。本文基于泥质含量进行储层分类,建立该区多参数交会图版,可以准确可靠识别山23储层不同岩性条件下的流体性质。(本文来源于《国外测井技术》期刊2019年01期）
朱圣伟,邓小江,张广智[4]（2018）在《基于深度神经网络的地震岩性分类》一文中研究指出1.引言岩性判定对于储层的物性预测具有重要作用,传统的地震岩性分类主要是通过迭前弹性参数反演来实现,通过岩石物理交汇分析优选对岩性敏感的弹性参数,但对于岩性多分类问题,往往难以优选出一组对各个类别岩性均敏感的弹性参数。深度学习是近年来发展最为迅速,应用最为广泛的一类机器学习算法,深度学习技术通过构建更多隐藏层的神经网络模型,对输入数据进行逐层处理,在高维空间完成特征的内部变换,完成对数据的复杂非线性表征。深度学习对于处理大数据的分类和预测问(本文来源于《2018年中国地球科学联合学术年会论文集（四十五）——专题98：东亚多板块汇聚与燕山运动、专题99：深部地球化学找矿、专题100：油气地球物理》期刊2018-10-21）
柯元楚,史忠奎,李培军,张西雅[5]（2018）在《基于Hyperion高光谱数据和随机森林方法的岩性分类与分析》一文中研究指出探索利用高光谱数据的岩性填图新方法是遥感地质应用领域的重要需求之一。本文运用随机森林方法和EO-1Hyperion高光谱数据,对新疆塔里木西北部柯坪地区的局部区域进行岩性分类,并对相关问题进行分析。分别利用光谱特征以及加入光谱一阶导数特征进行岩性分类,并对不同特征对岩性分类的重要性进行分析,同时与现有的基于光谱角制图方法(SAM)进行比较。结果表明,与SAM方法相比,随机森林方法得到了更高精度的岩性分类结果,是一种有效可行的岩性分类方法。根据特征重要性的排序,蓝绿光波段、短波红外波段以及相应的一阶导数特征对研究区Hyperion数据的沉积岩岩性分类贡献更大。(本文来源于《岩石学报》期刊2018年07期）
加星[6]（2018）在《非均衡分类算法及在地层岩性识别的应用》一文中研究指出非均衡数据的分类问题作为机器学习领域十大挑战之一,近年来吸引了很多学者的深入研究。本文在深入研究并总结了当前针对非均衡数据分类方法的基础上,从数据预处理角度和集成学习角度提出了对非均衡数据分类的改进方法,并在典型非均衡数据分类领域:地层岩石数据岩性识别的应用进行了研究。本文的具体工作如下:一、提出了基于最佳均衡比的非均衡数据预处理方法(a pre-processing method for imbalance data based on the best balance ratio),简称obtio。本文提出的obtio算法通过获取每一个特定非均衡数据的最佳均衡比,从数据预处理角度提高了非均衡数据的分类效果。实验结果表明,本文提出的obtio算法相比于谷琼等人提出的混合采样技术,F-measure值提高了0.2。二、提出了一种基于聚类和装袋的非均衡数据分类方法(a method based on cluster and bagging for imbalance data classification),简称C&B。本文提出的C&B算法通过聚类和装袋方法获取到多个均衡数据集,并结合集成规则,从集成学习角度提高了非均衡数据的分类效果。实验结果表明,本文提出的C&B算法相比于Wei-Chao Lin等人提出的Clustering-based undersampling方法,F-measure值提高了0.15。叁、针对常规岩性识别方法岩性识别率低的问题,提出了一种地层岩石岩性识别方法(a method for lithology recognition of ground-layer rock data),简称LRGL。在数据预处理阶段,深入地分析了每一个岩石数据样本在岩石数据中的分布特性,通过过采样特定类型的少数类岩石数据样本,获取到均衡的岩石数据集,并运用BP神经网络进行岩性识别。实验结果表明:本文提出的LRGL方法相比于牟丹等人提出的方法,AUC值提高了0.2,且岩性识别效果稳定。(本文来源于《西北大学》期刊2018-06-01）
王婷,潘军,蒋立军,邢立新,于一凡[7]（2018）在《基于DEM的地形因子分析与岩性分类》一文中研究指出地形因子作为对地形地貌特征进行数字表达的定量参数,对岩性识别精度的提高具有重要的意义。在对已知岩性类别区域的高程、坡度、剖面曲率、地表粗糙度和地表切割深度等10个地形因子的分类有效性和相关性进行评价的基础上,对地形因子进行筛选并将最佳尺度下的地形因子用于岩性的分类。结果表明,高程、剖面曲率、地表切割深度、地表粗糙度和平面曲率这5个地形因子的组合更具良好的分类效果,且都对应有识别性最好的岩性。在识别岩性类别时加入充分表达其地形特征的最佳地形因子组合有利于提高岩性的识别与分类能力。(本文来源于《国土资源遥感》期刊2018年02期）
王婷[8]（2018）在《基于DEM的地形因子分析与岩性分类》一文中研究指出岩性识别与分类是区域地质调查和矿产资源勘查中的核心工作内容。岩石为矿物的集合体,受内、外动力地质作用可形成不同的地形地貌,地形因子是由数字高程模型(DEM)所派生的,对地形地貌进行数字表达的定量指标,其为遥感地质目视解译和计算机解译中的核心解译标志,对岩性分类至关重要。本文选取叁个不同景观区广西桂林-阳朔、辽宁兴城及以北和大兴安岭富西里,利用高程、坡度、曲率、地表粗糙度等12个地形因子,基于方差分析和聚类分析方法重点研究岩性与地形因子之间的关联程度以及何种关联、各个地形因子的岩性分类有效性如何、筛选的地形因子组合方案用于岩性分类的精度效果如何,研究成果如下:1.通过分析地形因子的地质意义,采用方差分析和谱系聚类分析方法进行岩性与地形因子间的定量关联研究,证实了同类岩性有较小的类内距离,不同类岩性有较大的类间距离,进而说明了岩性与地形因子间存在显着关联,同类岩性有相似的地形因子特征,不同类岩性有不同的地形因子特征。2.应用相关系数法分析地形因子的相关性,采用方差分析中的可分性度量指标定量评价地形因子区分岩性的有效性,得到地形因子相似性分组特征主要与其地质意义有关,各个地形因子对不同岩性的区分能力是不同的且相关性高的地形因子有相似的区分特点,在实际岩性分类中应对地形因子进行最优组合筛选以充分发挥各地形因子的分类能力从而提高分类精度。3.基于地形因子的地质意义和可分性度量指标构建地形因子的筛选原则,并对其进行筛选,运用多元分析分类方法对岩性进行分类,采用混淆矩阵评价精度,得到利用筛选因子的分类精度要高于利用全部因子的分类精度,在实际岩性分类中通过对地形因子的筛选可以提高岩性分类的精度和效率。(本文来源于《吉林大学》期刊2018-05-01）
邱玉芳[9]（2018）在《遥感影像岩性分类及结合样本纯化的精度评价》一文中研究指出运用遥感图像进行岩性分类与识别是遥感在地质领域的重要应用之一。传统遥感岩石学的研究主要利用岩石的光谱特征进行岩性识别。随着遥感技术在岩性识别应用方面的不断深入,基于光谱特征的岩性信息提取精度已经难以满足应用的要求。将纹理信息作为辅助信息,引入遥感岩性识别,能获得更高的岩性识别精度。窗口大小是纹理提取过程的重要参数,将会影响纹理提取结果。另一方面,在遥感岩性分类过程中,分类精度检验是遥感分类技术中一个十分重要的环节,对遥感分类应用有着非常重要的意义。然而,在分类精度评价过程中,通常将检验样本视为真值,但实际上遥感图像中混合像素的存在通常会导致检验样本存在误差,这种误差往往被简单地忽略并被归结为分类误差,造成精度评价结果不可靠。针对以上两个问题,本文提出了一种结合最佳纹理窗口大小选择和样本纯化的岩性分类方法。第一,基于半变异函数对最佳纹理提取窗口进行估计。第二,基于理论上的最佳窗口计算图像的灰度共生矩阵的四个描述量角二阶矩阵、熵、相关性和对比度特征。第叁,对纹理和光谱特征进行组合,利用最佳波段指数选择出最佳的特征组合。第四,通过支持向量机分类器对不同组合图像进行分类。第五,提出基于属性一致性的样本纯化方法,并结合图像纹理特征,建立样本净化规则,去除与规则冲突的检验样本点,得到纯化后的检验样本。第六,基于半变异函数的最佳纹理提取窗口选择方法的有效性,通过基于不同窗口提取的角二阶矩阵结合光谱特征进行岩性分类来验证。最后,纯化前后的检验样本分别对不同特征组合的分类结果进行精度评价,并对比分析精度结果。实验结果表明,预估的纹理窗口大小可以保证岩性分类具有较高分类精度的分类结果。同时还表明,基于光谱特征和角二阶矩阵纹理特征组合的岩性分类精度最高,基于原始检验样本的总体精度和Kappa分别为87.4%和0.84,而基于纯化后检验样本则分别为88.01%和0.85。结果表明,本文提出的方法能够建立更可靠的岩石识别。(本文来源于《中国地质大学(北京)》期刊2018-05-01）
叶绍泽[10]（2018）在《基于堆栈自编码模型的岩性分类方法》一文中研究指出基于测井资料进行岩性分类是油气勘探和采集过程中的基础问题之一。根据前人的研究成果已开发了多种岩性分类方法,提出了基于堆栈自编码模型的岩性分类方法,通过对测井资料进行逐层抽象提取特征凸显不同岩性的微弱测井响应,使用Softmax作为分类器进行岩性分类。应用该方法对丁山地区泥质灰岩和灰质泥岩进行识别,将训练好的模型应用于丁山HF1井中,正确率均达到94.39%以上。(本文来源于《油气地球物理》期刊2018年02期）
岩性分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于支持向量机属于黑箱模型,因此在进行模型学习时无法直接对特征进行选择,而决策树模型在递归创建的过程中自身具有一定的特征选择能力。针对岩性分类问题,本文将决策树和支持向量机结合,通过决策树的建立,在考虑特征重要性的前提下,利用树节点的高度对特征进行提取,并将具有更高分类能力的特征送入支持向量机进行岩性分类。结果表明:通过决策树的特征提取,减少了支持向量机模型的输入特征,从而有效控制了模型的复杂度,使得模型更加稳定并具有更高的分类精度,测试集精度能够提升10%以上。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
岩性分类论文参考文献
[1].杨笑,王志章,周子勇,魏周城,曲康.基于参数优化AdaBoost算法的酸性火山岩岩性分类[J].石油学报.2019
[2].韩启迪,张小桐,申维.基于决策树特征提取的支持向量机在岩性分类中的应用[J].吉林大学学报(地球科学版).2019
[3].李宜浓,马一宁,任小锋,刘安培,平朋勃.基于岩性分类的交会图法在S地区山2~3储层的应用[J].国外测井技术.2019
[4].朱圣伟,邓小江,张广智.基于深度神经网络的地震岩性分类[C].2018年中国地球科学联合学术年会论文集（四十五）——专题98：东亚多板块汇聚与燕山运动、专题99：深部地球化学找矿、专题100：油气地球物理.2018
[5].柯元楚,史忠奎,李培军,张西雅.基于Hyperion高光谱数据和随机森林方法的岩性分类与分析[J].岩石学报.2018
[6].加星.非均衡分类算法及在地层岩性识别的应用[D].西北大学.2018
[7].王婷,潘军,蒋立军,邢立新,于一凡.基于DEM的地形因子分析与岩性分类[J].国土资源遥感.2018
[8].王婷.基于DEM的地形因子分析与岩性分类[D].吉林大学.2018
[9].邱玉芳.遥感影像岩性分类及结合样本纯化的精度评价[D].中国地质大学(北京).2018
[10].叶绍泽.基于堆栈自编码模型的岩性分类方法[J].油气地球物理.2018
标签：火山岩; 岩性识别; 集成算法; AdaBoost算法;