在石油勘探过程中，岩性识别是我们寻找油气资源的重要依据。岩性识别是利用测井资料把油田的地质岩土分类为不同岩性的过程，帮助人们了解地层厚度、结构和岩性变化，从而较快的寻找到含油区域。

       支持向量机是一种有效处理测井资料的方法，它是一种基于统计学习的机器学习方法，擅长解决小样本、非线性及高维模式识别问题。但其核心参数（核函数和惩罚参数）获得的数值准确性不高。本文引入支持向量机和人工神经网络融合算法建立模型对测井岩性进行识别和优化。有效的解决了对测井资料的处理解释，取得了较好的效果。

       论文以国内某油田为研究对象，选取大量的测井数据，经过寻优、归一化处理，并进行主成分分析，从而得到降维数据。利用人工神经网络有不必事先描述的特性，反向传播来不停地调整网络的阈值和权值，最终达到网络误差最小的目的。得出基于支持向量机最优的惩罚参数值和核函数值，从而形成支持向量机与人工神经网络的融合。建立融合算法模型，并利用模型对测井岩性进行识别。通过与传统支持向量机和遗传支持向量机两种算法的识别实验比对，结果表明支持向量机和人工神经网络融合算法的测井岩性识别率更高、分类能力更强，是一种更有效的测井岩性识别方法。

[1]LIAN Zengzeng,TAN Zhixiang and DENG Kazhong. Closeness Degree Methods to Identify Logging Lithology in C oalfield Base on Fuzzy Pattern Recognition[J]. Well Logging Technology.2013:285-288

[2]Scrap Kirbiz,Yener Ulker,Bilge Gunsel.A pattern recognition framework to blind audio watermark decoding [J]. AEU - International Journal of lectronic .2009:92-102

[3]赵显令,王贵文,周正龙. 地球物理测井岩性解释方法综述[J]. 地球物理学进展.2015:1278-1287

[4]丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报. 2011:2-10

[5]年涛. 图科1井成像测井岩性综合解释方法研究[R]. 全国古地理学及沉积学学术会议.2014

[6]K.B.Lipkowitz and T.R.Cundari.Wiley. Applications of Support Vector Machines in Chemistry[J]. 2007: 291-400

[7]郭水霞,王一夫,陈安.基于支持向量机回归模型的海量数据预测[J].计算机工程与应用,2007:12-14

[8]曾绍华.支持向量回归机算法理论研究与应用[D].四川:重庆大学,2006

[9]H．U,Y Hang,Q．Xu. Support vector machines and its applications in chemistry[J]. Chemometrics and Intelligent Laboratory Systems.2009:188-198.

[10]杜颖,卢继平,李青.基于最小二乘支持向量机的风电场短期风速预测[J].电网技术.2008:62-66

[11]OL Mangasarian,DR Musicant. Lagrangian support vector machine[J].US.2008:161-177

[12]张浩然,汪晓东.回归最小二乘支持向量机的增量和在线式学习算法[J].计算机学报.2006:400-406

[13]谢宏,魏江平,刘鹤立.短期负荷预测中支持向量机模型的参数选取和优化方法[J].中国电机工程学报.2006:17-22

[14]S An，W Liu,S Venkatesh. Fast cross-validation algorithms for least squares support vector machine and kernel ridge regression[J]. Pattern Recognition.2007: 2154-2162

[15]叶林,刘鹏. 基于经验模态分解和支持向量机的短期风电功率组合预测模型[J]. 中国电机工程学报.2011:102-108

[16]X Yang,G Zhang,J Lu. A Kernel Fuzzy c-Means Clustering-Based Fuzzy Support Vector Machine Algorithm for Classification Problems With Outliers or Noises[J]. IEEE Transactions on Fuzzy Systems.2014:105-115

[17]王晓兰,王明伟. 基于小波分解和最小二乘支持向量机的短期风速预测[J]. 电网技术.2010:179-184

[18]顾亚祥,丁世飞. 支持向量机研究进展[J]. 计算机科学.2011:14-17

[19]吴磊,徐怀民,季汉成.基于交会图和多元统计法的神经网络技术在火山岩识别中的应用[J].石油勘探与开发.2006:81-86

[20]胡国胜,钱玲,张国红. 支持向量机的多分类算法[J]. 系统工程与电子技术.2006:127-132

[21]S Abe. Support vector machine for pattern classification[J]. Springer London.2005:7535-7543

[22]汪廷华,田盛丰,黄厚宽. 特征加权支持向量机[J]. 电子与信息学报.2009:514-518

[23]郭辉,刘贺平,王玲. 最小二乘支持向量机参数选择方法及其应用研究[J]. 系统仿真学报.2006:2033-2036

[24]陈果. 基于遗传算法的支持向量机分类器模型参数优化[J]. 机械科学与技术.2007:347-350

[25]罗娜. 数据挖掘中的新方法——支持向量机[J]. 软件导刊.2008:30-31

[26]王娜娜.神经网络在测井岩性识别中的应用[D].北京:北京化工大学.2009

[27]杨静,毛宗源.基于PCA和神经网络的识别方法研究[J].计算机工程与应用.2007:246-248

[28]钟珞. 人工神经网络及其融合应用技术[J]. 科学出版社.2007

[29]XiaoJuan,Wu,XinJian Zhu and GuangYi Cao. Modeling a SOFC stack based on GA-RBF neural networks identification[J]. Institute of Fuel Cell. 2007:145-150

[30]闫国华,朱永生. 支持向量机回归的参数选择方法[J]. 计算机工程.2009:218-220

[31]杨斌,路游. 基于统计学习理论的支持向量机的分类方法[J]. 计算机技术与发展.2006:56-58

[32]SK Kim,JW Nam,JK Rhee. miTarget: microRNA target gene prediction using a support vector machine[J]. Bmc Bioinformatics.2006:1-12

[33]J Luts,F Ojeda,RVD Plas. A tutorial on support vector machine-based methods for classification problems in chemometrics[J]. Analytica Chimica Acta.2010:129-145

[34]WS Noble. What is a support vector machine?[J]. Nature Biotechnology.2006. 1565-1567

[35]荣海娜,张葛祥,金炜东. 系统辨识中支持向量机核函数及其参数的研究[J]. 系统仿真学报.2006:3204-3208

[36]邵信光,杨慧中,陈刚. 基于粒子群优化算法的支持向量机参数选择及其应用[J]. 控制理论与应用.2006:740.743

[37]郭丽娟,孙世宇,段修生. 支持向量机及核函数研究[J]. 科学技术与工程.2008:487-490

[38]李晓宇,张新峰,沈兰荪. 支持向量机(SVM)的研究进展[J]. 测控技术.2006:7-12

[39]陈果,周伽. 小样本数据的支持向量机回归模型参数及预测区间研究[J]. 计量学报.2008:92-96

[40]G Orrù,W Pettersson-Yeo,AF Marquand. Using Support Vector Machine to identify imaging biomarkers of neurological and psychiatric disease: A critical review[J]. Neuroscience & Biobehavioral Reviews.2012:1140-1152

[41]袁小芳,王耀南. 基于混沌优化算法的支持向量机参数选取方法[J]. 控制与决策.2006:111-113

[42]林升梁,刘志. 基于RBF核函数的支持向量机参数选择[J]. 浙江工业大学学报.2007:163-167

[43]朱树先,张仁杰. 支持向量机核函数选择的研究[J]. 科学技术与工程.2008:4513-4517

[44]李方方,赵英凯,颜昕. 基于Matlab的最小二乘支持向量机的工具箱及其应用[J]. 计算机应用.2006:358-360

[45]王定成,姜斌. 在线稀疏最小二乘支持向量机回归的研究[J]. 控制与决策.2007:132-137

[46]JH Min,YC Lee. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters[J]. Expert Systems with Applications.2005:603-614

[47]高隽. 人工神经网络原理及仿真实例[M]. 机械工业出版社.2007

[48]王鸿斌,张立毅,胡志军. 人工神经网络理论及其应用[J]. 山西电子技术.2006:41-43

[49]Long,KUANG,Xueyuan. Study on the Overfitting of the Artificial Neural Network Forecasting Model[J]. Acta Meteorologica Sinica.2005:216-225

[50]韩力群. 人工神经网络理论、设计及应用(第2版)[M]. 化学工业出版社.2007

[51]田景文. 人工神经网络算法研究及应用[M]. 北京理工大学出版社.2006

[52]王效宾,杨平. 基于BP人工神经网络的冻土融沉系数预测方法研究[J]. 森林工程.2008:18-21

[53]毛健,赵红东,姚婧婧. 人工神经网络的发展及应用[J]. 电子设计工程.2011:62-65

[54]K Salahshoor,M Kordestani，MS Khoshro. Fault detection and diagnosis of an industrial steam turbine using fusion of SVM and ANFIS classifiers. Energy.2010:5472-5482

[55]王雷,张瑞青,盛伟. 基于支持向量机的回归预测和异常数据检测[J]. 中国电机工程学报.2009:92.96

[56]魏志华,张俊儒.一种测井岩性识别的寻优模型[J].计算机科学杂志.2014:430-431

[57]Z Wang,AR Childress,J Wang. Support vector machine learning-based fMRI data group analysis[J]. Neuroimage.2007: 1139-1151

[58]O Chapelle. Training a support vector machine in the primal[J]. Neural Computation.2007:1155-1178

[59]汤素丽,罗宇锋. 人工神经网络技术的发展与应用[J]. 电脑开发与应用.2009:59-61

[60]马锐. 人工神经网络原理[J]. 机械工业出版社.2010

[61]李伟超,宋大猛,陈斌. 基于遗传算法的人工神经网络[J]. 计算机工程与设计.2006:316-318

[62]阎平凡. 人工神经网络与模拟进化计算(第2版)[M]. 清华大学出版社.2006

[63]张治国. 人工神经网络及其在地学中的应用研究[J]. 吉林大学.2006