文献类型：期刊文章

作　　者：潘华贤[1] 程国建[1] 蔡磊[1]

机构地区：[1]西安石油大学计算机学院,陕西西安710065

出　　处：《计算机工程与科学》

基　　金：国家自然科学基金资助项目(40872087)

年　　份：2010

卷　　号：32

期　　号：2

起止页码：131-134

语　　种：中文

收录情况：BDHX、BDHX2008、CSCD、CSCD2011_2012、ZGKJHX、核心刊

摘　　要：极限学习机ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。本文将极限学习机引入到储层渗透率的预测中,通过对比支持向量机,分析其在储层渗透率预测中的可行性和优势。实验结果表明,极限学习机与支持向量机有近似的预测精度,但在参数选择以及学习速度上极限学习机具有明显的优势。

关 键 词：极限学习机 前馈神经网络 渗透率 支持向量机 预测模型  

分 类 号：TP391]