CN112101814A - 基于加权的模糊聚类算法的油气工程分类方法和系统 - Google Patents
基于加权的模糊聚类算法的油气工程分类方法和系统 Download PDFInfo
- Publication number
- CN112101814A CN112101814A CN202011026060.2A CN202011026060A CN112101814A CN 112101814 A CN112101814 A CN 112101814A CN 202011026060 A CN202011026060 A CN 202011026060A CN 112101814 A CN112101814 A CN 112101814A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- oil
- wcofcm
- gas engineering
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于加权的模糊聚类算法的油气工程分类方法和系统,涉及计算机技术领域,主要解决了对油气工程项目进行分类技术问题。该发明包括:获取各个油气工程项目的各个评价指标值;对应各个油气工程项目,对所述各个评价指标值进行标准化,得到各个标准化指标值,并对应每个油气工程项目,由各个标准化指标值组成一个油气工程项目向量;将各个油气工程项目向量作为各个样本,采用DPSO‑WCoFCM聚类算法进行聚类,得到各个油气工程项目的聚类结果。本发明避免了油气工程项目分类主观性,能有效提高油气工程项目分类的准确性和有效性,指导油气工程项目的投资规划。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及基于加权的模糊聚类算法的油气工程分类方法和系统。
背景技术
如今,对工程项目的分类标准不健全,项目分类和排序具有较大的主观性,影响了用户的投资决策。因此,对工程项目的分类至关重要,提高用户对工程项目的了解、分析、比较和投资。
目前,常用的分类方法可以分为定性和定量两种,定性分类以波士顿矩阵为基础进行延伸,根据决策者需求进行定制化分类。该方法应用灵活,但分类标准较为主观,分类结果难以进行有效比较,可能导致错误的投资决策。定量分类又可以分为有监督学习和无监督学习两种。有监督学习分类方法的共同特点是需要一个已经完成分类的训练样本。由于工程项目尚不存在已经分类的训练样本,因此监督学习分类方法不适用于工程项目分类,而采用无监督学习分类法,而聚类分析是一种被广泛使用的无监督学习分类法,包括层次分析法、指标划分法、网格分析法、密度分析法和模型分析法等。因此,本发明是基于聚类分析的方法进行对工程项目的分类。
发明内容
本发明其中一个目的是为了提出一种基于加权的模糊聚类算法的油气工程分类方法和系统,解决了现有技术中对油气工程项目进行分类的技术问题。本发明优选实施方案中能够达到诸多有益效果,具体见下文阐述。
为实现上述目的,本发明提供了以下技术方案:
本发明的一种基于加权的模糊聚类算法的油气工程分类方法,其包括:
获取各个油气工程项目的各个评价指标值;
对应各个油气工程项目,对所述各个评价指标值进行标准化,得到各个标准化指标值,并对应每个油气工程项目,由各个标准化指标值组成一个油气工程项目向量;
将各个油气工程项目向量作为各个样本,采用DPSO-WCoFCM聚类算法进行聚类,得到各个油气工程项目的聚类结果。
进一步的,所述评价指标值为多个视角的指标值。
进一步的,所述采用DPSO-WCoFCM聚类算法进行聚类,包括:
执行第一PSO算法,判断是否达到所述第一PSO算法的终止条件,所述终止条件包括依据适应度值判断,并在达到所述第一PSO算法的终止条件时,确定所述第一PSO算法的最优解,所述最优解包括最优位置;
将所述第一PSO算法的最优位置作为各个视角的聚类中心,其中,聚类中心的初始值为所述第一PSO算法的位置初始值;
执行WCoFCM算法,根据所述各个样本和所述第一PSO算法确定的聚类中心,计算所述WCoFCM算法在各个视角下的隶属度矩阵和成本函数;
采用第二PSO算法,在达到所述第二PSO算法的终止条件时,确定所述第二PSO算法的最优适应度值和最优速度值;
将所述第二PSO算法得到的最优适应度值作为所述第一PSO算法的适应度值,重复执行所述第一PSO算法直至达到所述第一PSO算法的终止条件;
将所述第二PSO算法得到的最优速度值作为所述WCoFCM算法的各个视角的权重值,重复执行所述WCoFCM算法直至达到所述WCoFCM算法的终止条件;
在执行所述WCoFCM算法时,根据所述各个视角的权重值、各个视角下的成本函数计算所述WCoFCM算法的目标函数,以及判断是否达到所述WCoFCM算法的终止条件,所述WCoFCM算法的终止条件包括依据所述目标函数确定;
在达到所述WCoFCM算法的终止条件时,输出所述WCoFCM算法的最优解,所述最优解包括:各个视角的最优权重值和各个视角下的最优隶属度矩阵;
根据所述WCoFCM算法的最优解计算每个样本属于每个类的隶属度;
根据所述每个样本属于每个类的隶属度,对各个样本进行分类,得到各个样本对应的各个油气工程项目的聚类结果。
进一步的,所述多个视角包括:资源视角,经济效益视角,风险视角。
进一步的,所述资源视角包括如下指标:资源量、资源丰度、动用程度、单位地震工作量成本、探明储量发现成本。
进一步的,所述经济效益视角包括如下指标:净现值、期望经济价值、内部收益率、投资回收期、净现值率、桶油NPV。
进一步的,所述风险视角包括如下指标:储量风险、产量风险、合同风险、油价风险、汇率风险、政治风险、经济增长风险、商业环境风险、法律风险。
进一步的,所述DPSO-WCoFCM聚类算法的类别数量是预设的。
进一步的,所述预设的类别数量是4类。
本发明还有一种基于加权的模糊聚类算法的油气工程分类系统,其包括:处理器和存储器;所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,执行上述的方法。
本发明提供的一种基于加权的模糊聚类算法的油气工程分类方法和系统至少具有如下有益技术效果:
本发明通过油气工程项目的分类方法,对采集到的油气工程项目进行合理性、规范性的聚类分析,得到分类结果。本发明改进了的加权多视角模糊聚类算法,并采用了此算法从资源、经济效益、风险多维度多视角指标,对聚类中心和各视角权重进行优化,对油气工程项目进行聚类,确定油气工程项目的分类结果。该方法避免了油气工程项目分类主观性,能有效提高油气工程项目分类的准确性和有效性,指导油气工程项目的投资规划。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于加权的模糊聚类算法的油气工程分类方法的流程示意图;
图2是资源视角下样本的隶属度矩阵的示意图;
图3是经济效益视角下样本的隶属度矩阵的示意图;
图4是风险视角下样本的隶属度矩阵的示意图;
图5是样本的聚类结果的示意图;
图6是本发明的一种基于加权的模糊聚类算法的油气工程分类系统的结构示意图;
图2中,1-处理器,2-存储器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
参见图1,本发明的一种基于加权的模糊聚类算法的油气工程分类方法,其包括:
S1:获取各个油气工程项目的各个评价指标值;
S2对应各个油气工程项目,对所述各个评价指标值进行标准化,得到各个标准化指标值,并对应每个油气工程项目,由各个标准化指标值组成一个油气工程项目向量;
S3:将各个油气工程项目向量作为各个样本,采用DPSO-WCoFCM聚类算法进行聚类,得到各个油气工程项目的聚类结果。
需要说明的是,由于收集的油气工程项目的评价指标在量纲和数量级上存在较大差异,在计算过程中直接加权无实际意义。为消除各评价指标量纲不同和量级差异的影响,需要对评价指标进行无量纲标准化处理。
DPSO-WCoFCM聚类算法是基于双层嵌套粒子群优化的加权多视角模糊聚类算法(Double PSO-WCoFCM,简称DPSO-WCoFCM)。其原理是采用双层嵌套粒子群优化算法(PSO)对多视角加权聚类算法进行改进,其具体算法即是本发明的方法。
假设样本为:有24个油气工程项目,每个项目有20个评价指标,表示为集合X={x1,x2,...,xN},其中,N油气工程项目标号,此处N为24。一个油气工程项目向量由该油气工程项目的20个标准化指标值组成,即此处一个油气工程项目向量是20维的。所以,x1是第1个油气工程项目向量A,x2是第2个油气工程项目向量B,以此类推,x24是第24个油气工程项目向量X,且每个xN是20维的。
此样本通过DPSO-WCoFCM聚类算法进行聚类后,结果为4个类,其中,x1,x2,x4,x5,x7,x9,x10,x11,x12,x14,x15,x16,x17,x20是第一类,x6,x18,x19,x21,x23,x24是第二类,x3,x13,x22是第三类,x8是第四类。油气工程项目表示如下:
第一类:A、B、D、E、G、I、J、K、N、O、P、L、Q、T;
第二类:F、X、R、S、U、W;
第三类:C、M、V;
第四类:H。
本发明本发明通过油气工程项目的分类方法,对采集到的油气工程项目进行合理性、规范性的聚类分析,得到分类结果。在客观性上,本发明对油气工程项目进行多视角指标评价,并对对指标评价进行了标准化处理,然后采用的是DPSO-WCoFCM聚类算法进行聚类分析,高效、快速地得到的聚类结果,且聚类结果是可靠性高、准确定高的。因此,本发明避免了油气工程项目分类主观性,能有效提高油气工程项目分类的准确性和有效性,指导油气工程项目的投资规划。
步骤S3中,所述采用DPSO-WCoFCM聚类算法进行聚类,包括:
执行第一PSO算法,判断是否达到所述第一PSO算法的终止条件,所述终止条件包括依据适应度值判断,并在达到所述第一PSO算法的终止条件时,确定所述第一PSO算法的最优解,所述最优解包括最优位置;
将所述第一PSO算法的最优位置作为各个视角的聚类中心,其中,聚类中心的初始值为所述第一PSO算法的位置初始值;
执行WCoFCM算法,根据所述各个样本和所述第一PSO算法确定的聚类中心,计算所述WCoFCM算法在各个视角下的隶属度矩阵和成本函数;
采用第二PSO算法,在达到所述第二PSO算法的终止条件时,确定所述第二PSO算法的最优适应度值和最优速度值;
将所述第二PSO算法得到的最优适应度值作为所述第一PSO算法的适应度值,重复执行所述第一PSO算法直至达到所述第一PSO算法的终止条件;
将所述第二PSO算法得到的最优速度值作为所述WCoFCM算法的各个视角的权重值,重复执行所述WCoFCM算法直至达到所述WCoFCM算法的终止条件;
在执行所述WCoFCM算法时,根据所述各个视角的权重值、各个视角下的成本函数计算所述WCoFCM算法的目标函数,以及判断是否达到所述WCoFCM算法的终止条件,所述WCoFCM算法的终止条件包括依据所述目标函数确定;
在达到所述WCoFCM算法的终止条件时,输出所述WCoFCM算法的最优解,所述最优解包括:各个视角的最优权重值和各个视角下的最优隶属度矩阵;
根据所述WCoFCM算法的最优解计算每个样本属于每个类的隶属度;
根据所述每个样本属于每个类的隶属度,对各个样本进行分类,得到各个样本对应的各个油气工程项目的聚类结果。
DPSO-WCoFCM聚类算法的原理推导:
模糊C均值聚类算法(FCM)是典型的基于软划分的聚类算法。对于给定的数据集X={x1,x2,...,xN},该算法的目标函数为:
为了解决多维度聚类的问题,刘丽(2013)提出了加权的多视角模糊聚类算法,简称WCoFCM算法。WCoFCM算法是利用各视角的可聚集性特征得到多视角加权项w,从而得到更理性的聚类效果。WCoFCM算法目标函数式表达如下:
式中,η为惩罚因子,R为视角数。
隶属度、聚类中心、各视角权重可以利用拉格朗日乘子法得到,表达式如下:
整体聚类结果表达式如下:
式中,wr表示每个视角的权重,τ是常数。
各视角成本函数,公式如下:
粒子群优化算法(PSO)是通过模拟鸟群的觅食和迁徙行为的一种优化搜索算法。粒子群中每个粒子的位置代表一个可行解,粒子以一定的速度在搜索空间运动,根据目标函数来判断粒子位置的优劣。粒子飞行速度根据粒子自身的飞行经验和群体中最佳粒子的飞行经验进行调整。通过多次迭代找到最佳粒子的位置即为问题的最优解。
本发明利用标准粒子群优化算法(PSO)对加权的多视角聚类算法(WCoFCM算法)的聚类中心和各视角权重进行优化,DPSO-WCoFCM算法通过标准粒子群算法和WCoFCM算法的结合,对多视角加权聚类算法的聚类中心和各视角权重进行优化,该方法计算思路是将第一PSO算法放在外层用于优化类中心向量,第二PSO算法嵌套在上一层PSO-WCoFCM算法内,用于优化各视角权重。
需要说明的是,第一PSO算法的终止条件不限于根据适应度值判断,还可以是根据是否达到迭代次数确定。第二PSO算法的终止条件是达到预设迭代次数或者粒子的适应度值达到一定条件。WCoFCM算法的终止条件也是与PSO类似的,达到一定迭代次数或者目标函数满足设定条件。
在达到所述WCoFCM算法的终止条件时,输出所述WCoFCM算法的最优解,所述最优解包括:各个视角的最优权重值(即wr的最优值)各个视角下的最优隶属度矩阵(即uijr的最优值)。如图2至图4所示,图2为资源视角下样本的隶属度矩阵,图3为经济效益视角下样本的隶属度矩阵,图4为风险视角下样本的隶属度矩阵。
根据所述WCoFCM算法的最优解计算每个样本属于每个类的隶属度;即通过式6计算得到的第j个样本属于第i类的隶属度。
根据所述每个样本属于每个类的隶属度,对各个样本进行分类,得到各个样本对应的各个油气工程项目的聚类结果。如图5所示。
假设聚类结果为4个分类,则对于第一个样本,可以算出U11,U21,U31,U41,假设U11最大,则第一个样本属于第一个分类,假设U31最大,则第一个样本属于第三个分类,其余类似。相应的,第一个油气工程项目A属于第一类。
优选地,所述DPSO-WCoFCM聚类算法的类别数量是预设的。
本发明所述预设的类别数量是4类。
需要说明的是,根据具体需求设置所需的类别数量。
本发明的评价指标值为多个视角的指标值。
多个视角包括:资源视角,经济效益视角,风险视角。
优选地,资源视角包括如下指标:资源量、资源丰度、动用程度、单位地震工作量成本、探明储量发现成本。
优选地,经济效益视角包括如下指标:净现值、期望经济价值、内部收益率、投资回收期、净现值率、桶油NPV。
优选地,风险视角包括如下指标:储量风险、产量风险、合同风险、油价风险、汇率风险、政治风险、经济增长风险、商业环境风险、法律风险。
参见图2,本发明还有一种基于加权的模糊聚类算法的油气工程分类系统,其包括:处理器1和存储器2;所述存储器2中存储有计算机程序,当所述计算机程序被所述处理器1执行时,执行上述的方法。
本发明采用此系统能对油气工程项目进行客观性、高效性和准确性的判断和分类,指导油气工程项目投资规划。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于加权的模糊聚类算法的油气工程分类方法,其特征在于,包括:
获取各个油气工程项目的各个评价指标值;
对应各个油气工程项目,对所述各个评价指标值进行标准化,得到各个标准化指标值,并对应每个油气工程项目,由各个标准化指标值组成一个油气工程项目向量;
将各个油气工程项目向量作为各个样本,采用DPSO-WCoFCM聚类算法进行聚类,得到各个油气工程项目的聚类结果。
2.根据权利要求1所述的分类方法,其特征在于,所述评价指标值为多个视角的指标值。
3.根据权利要求2所述的分类方法,其特征在于,所述采用DPSO-WCoFCM聚类算法进行聚类,包括:
执行第一PSO算法,判断是否达到所述第一PSO算法的终止条件,所述终止条件包括依据适应度值判断,并在达到所述第一PSO算法的终止条件时,确定所述第一PSO算法的最优解,所述最优解包括最优位置;
将所述第一PSO算法的最优位置作为各个视角的聚类中心,其中,聚类中心的初始值为所述第一PSO算法的位置初始值;
执行WCoFCM算法,根据所述各个样本和所述第一PSO算法确定的聚类中心,计算所述WCoFCM算法在各个视角下的隶属度矩阵和成本函数;
采用第二PSO算法,在达到所述第二PSO算法的终止条件时,确定所述第二PSO算法的最优适应度值和最优速度值;
将所述第二PSO算法得到的最优适应度值作为所述第一PSO算法的适应度值,重复执行所述第一PSO算法直至达到所述第一PSO算法的终止条件;
将所述第二PSO算法得到的最优速度值作为所述WCoFCM算法的各个视角的权重值,重复执行所述WCoFCM算法直至达到所述WCoFCM算法的终止条件;
在执行所述WCoFCM算法时,根据所述各个视角的权重值、各个视角下的成本函数计算所述WCoFCM算法的目标函数,以及判断是否达到所述WCoFCM算法的终止条件,所述WCoFCM算法的终止条件包括依据所述目标函数确定;
在达到所述WCoFCM算法的终止条件时,输出所述WCoFCM算法的最优解,所述最优解包括:各个视角的最优权重值和各个视角下的最优隶属度矩阵;
根据所述WCoFCM算法的最优解计算每个样本属于每个类的隶属度;
根据所述每个样本属于每个类的隶属度,对各个样本进行分类,得到各个样本对应的各个油气工程项目的聚类结果。
4.根据权利要求2所述的分类方法,其特征在于,所述多个视角包括:资源视角,经济效益视角,风险视角。
5.根据权利要求3所述的分类方法,其特征在于,所述资源视角包括如下指标:资源量、资源丰度、动用程度、单位地震工作量成本、探明储量发现成本。
6.根据权利要求3所述的分类方法,其特征在于,所述经济效益视角包括如下指标:净现值、期望经济价值、内部收益率、投资回收期、净现值率、桶油NPV。
7.根据权利要求3所述的分类方法,其特征在于,所述风险视角包括如下指标:储量风险、产量风险、合同风险、油价风险、汇率风险、政治风险、经济增长风险、商业环境风险、法律风险。
8.根据权利要求1所述的分类方法,其特征在于,所述DPSO-WCoFCM聚类算法的类别数量是预设的。
9.根据权利要求8所述的分类方法,其特征在于,所述预设的类别数量是4类。
10.一种基于加权的模糊聚类算法的油气工程分类系统,其特征在于,包括:处理器和存储器;所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026060.2A CN112101814B (zh) | 2020-09-25 | 2020-09-25 | 基于加权的模糊聚类算法的油气工程分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026060.2A CN112101814B (zh) | 2020-09-25 | 2020-09-25 | 基于加权的模糊聚类算法的油气工程分类方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101814A true CN112101814A (zh) | 2020-12-18 |
CN112101814B CN112101814B (zh) | 2024-04-16 |
Family
ID=73755648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026060.2A Active CN112101814B (zh) | 2020-09-25 | 2020-09-25 | 基于加权的模糊聚类算法的油气工程分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101814B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282022A (zh) * | 2014-09-29 | 2015-01-14 | 江南大学 | 一种具备多视角学习能力的模糊聚类图像分割方法 |
CN104484681A (zh) * | 2014-10-24 | 2015-04-01 | 西安电子科技大学 | 基于空间信息和集成学习的高光谱遥感影像分类方法 |
CN107247969A (zh) * | 2017-06-02 | 2017-10-13 | 常州工学院 | 基于Gauss诱导核的模糊c均值聚类算法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109308496A (zh) * | 2018-10-11 | 2019-02-05 | 南昌工程学院 | 一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法 |
-
2020
- 2020-09-25 CN CN202011026060.2A patent/CN112101814B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282022A (zh) * | 2014-09-29 | 2015-01-14 | 江南大学 | 一种具备多视角学习能力的模糊聚类图像分割方法 |
CN104484681A (zh) * | 2014-10-24 | 2015-04-01 | 西安电子科技大学 | 基于空间信息和集成学习的高光谱遥感影像分类方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN107247969A (zh) * | 2017-06-02 | 2017-10-13 | 常州工学院 | 基于Gauss诱导核的模糊c均值聚类算法 |
CN109308496A (zh) * | 2018-10-11 | 2019-02-05 | 南昌工程学院 | 一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法 |
Non-Patent Citations (2)
Title |
---|
李超顺;周建中;杨俊杰;李清清;罗志猛;: "基于混合模糊聚类分析的汽轮发电机组振动故障诊断", 电力系统自动化, no. 05 * |
骆正山;王文辉;王小完;张新生;: "引入重叠度指标的FPPC油气管道管段划分方法", 天然气工业, no. 08 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101814B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
WO2021051609A1 (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN112287018A (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
CN112231305A (zh) | 一种基于数字孪生的数字电网系统及方法 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
CN104994366A (zh) | 一种基于特征加权的fcm视频关键帧提取方法 | |
CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
CN107480627B (zh) | 行为识别方法、装置、存储介质和处理器 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN110176309A (zh) | 一种用于预测心血管疾病的医疗数据处理方法 | |
CN114297025A (zh) | 数据中心资源分析系统及方法、存储介质及电子设备 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN113792984A (zh) | 基于云模型的防空反导指挥控制模型能力评估方法 | |
CN112348360A (zh) | 一种基于大数据技术的中药生产工艺参数分析系统 | |
CN111221915B (zh) | 基于CWK-means的在线学习资源质量分析方法 | |
CN108898890B (zh) | 空管运行效率等级评估方法及其装置 | |
CN112101814B (zh) | 基于加权的模糊聚类算法的油气工程分类方法和系统 | |
CN116662868A (zh) | 数据分类方法、装置、电子设备及存储介质 | |
CN116760017A (zh) | 一种光伏发电的预测方法 | |
CN113435780B (zh) | 一种基于神经网络的应急通信感知装备体系效能评估方法 | |
CN109919219A (zh) | 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
CN114970684A (zh) | 一种结合vae的提取网络核心结构的社区检测方法 | |
CN115221955A (zh) | 基于样本差异分析的多深度神经网络参数融合系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |