极限学习机与支持向量机在储层渗透率预测中的对比研究

• 作者: 潘华贤 程国建 蔡磊
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 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
• 年，卷（期）: 2010,（2）
• 所属期刊栏目: 智能控制
• 页码范围: 131-134
• 页数: 4页
• 分类号: TP391
• 字数: 3065字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2010.02.036

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程国建	西安石油大学计算机学院	123	847	14.0	25.0
2	蔡磊	西安石油大学计算机学院	7	115	3.0	7.0
3	潘华贤	西安石油大学计算机学院	5	113	3.0	5.0