改进的谱聚类算法及在油气产量预测中的应用研究

发布时间：2020-07-20 08:10

【摘要】：聚类分析作为数据挖掘领域中的一个重要研究方法得到了研究人员的广泛关注。其思想来源于图的划分,将数据聚类问题转换成图论中对图的最优分割问题。主要目的是将所需处理的数据对象通过“类内相似最大化,类间相似最小化”的准则分成不同的类或簇。谱聚类算法与图的谱相关,与其他典型聚类分析算法相较,谱聚类算法降低了对样本空间的形状要求,同时也有效地解决了一些算法的局部最优问题。本文在已有研究基础上,对谱聚类算法进行了部分改进。针对传统谱聚类算法中自动确定类别数目以及特征向量选取困难的问题,提出了利用特征值间隔自动确定类别数目及选取特征向量的谱聚类算法。算法使用数据构造出拉普拉斯矩阵,然后求解拉普拉斯特征值及特征间隔,用特征值间隔确定聚类数目以及有用的特征向量。最后利用K-means算法对选出的特征向量进行聚类,最终得到社团划分的结果。为了测试算法的可行性以及划分结果的准确性,使用Matlab软件对常用基准网络数据进行实验,结果表明算法有效、可行。在油气生产过程中,预先较准确地预测油气产量对石油开采的部署有重要意义。通过对油气田生产环境中的单井进行建模并处理,使其变成谱聚类算法可处理的数据。然后运用本文提出的谱聚类算法,得出单井的分类,利用分类结果进一步对油气产量进行预测。对单井的油气产量预测时,不仅考虑单井自身因素而且将同一簇内与之有关联的井的影响因素考虑在内,提高了预测产量的准确性。经过实例可以得出谱聚类算法能够有效应用于油气产量预测中。本文的主要成果有:(1)提出了一种自动确定特征向量与类别数目的谱聚类算法,使用Matlab软件对算法在实验网络上进行测试,结果表明算法可行、有效;(2)将本文提出的自动确定特征向量与类别数目的谱聚类算法应用到油气产量预测中。对油气田生产环境中的单井进行建模处理,用谱聚类算法进行聚类分析得出单井的分类,利用分类结果对单井油气产量进行预测。
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP311.13;P618.13
【图文】：

示意图,七桥问题,示意图,准确预测

图 1.1 Konigsberg 七桥问题示意图主要形态之一，世界各国因经济的生产、贸易等方面的竞争也越来越年递增，一直呈现上升趋势。石油油气田的总量有限，开采量不能一法对我国油气田产量进行准确预测响到我国经济策略的制定[4]。为此

邻接矩阵,对角矩阵,图G,矩阵定义

图 2.1 简单示例图及其邻接矩阵矩阵记为 D，定义为 1 2, ,...nD diag d d d。为,1ni i jjd a 。当顶点iv 是边i ,je 的端点时，iv 的度表示其关联边的总数或者其权重的总为：3 0 0 0 00 3 0 0 00 0 3 0 00 0 0 1 00 0 0 0 2D 斯矩阵定义为 L D A。其中，D 为图 G 示例图 2.1，其拉普拉斯矩阵为：3 1 1 0 11 3 1 0 1

图谱,最小化,图划分,比例

图 2.2 图谱分割示例图在 C 、 H 之间进行切割的时候，可 11,2ki iicut A A ，但是通过这种切割得到的结解如图中所示。为了避免这种情况给出了后则图出现的一个点集为一种类别的结果，需要思想，1992 年 Hagen 与 Kahng 提出了一种比例图，比例切割不仅考虑了最小化 1 2, ,...kcut A A A 。比例割集准则[18]定义如下：1 211( , )( , ,... )2ki iKiicut A ARatioCut A A AA . 内部所有顶点的数目。 ( , )i icut A A 表示簇iA 与其数最小化时，图划分的结果最优。而谱聚类算

【参考文献】