CN115310664B 基于基因调控遗传算法的rbf神经网络油井产油量预测方法及预测系统 （中国石油大学(华东)）

US2014082769A1,2014.03.20基于基因调控遗传算法的RBF神经网络油井本发明提供一种基于基因调控遗传算法的RBF神经网络训练方法及预测系统，采用四进制这3个操作环节进行深入优化，提升了遗传算法的整体性能，并用该遗传优化算法对传统RBF神RBF神经网络算法应用到油田注采的建模和产油量预测中，得到一套行之有效的RBF神经网络预同时仿真实验结果也表明基于基因调控遗传算法优化的RBF神经网络的预测系统，在逼近能力2步骤2：基于基因调控遗传算法采用四进制DNA编码方步骤5：输出最优适应度值的所述DNA编码，对所述D按预设比例将处理后的样本数据分为训练集和测试集；使用所述训练集对所述RBF神经网量Qin33其中，I代表所述RBF神经网络输入节点的个数，J表示所述R2.根据权利要求1所述的基于基因调控遗传算法的RBF神经网络油井产油量预测方法，其中，o表示适应度排序前个体序号，fit(xo)为目标函数在xo上所取得的适应度值，3.根据权利要求2所述的基于基因调控遗传算法的RBF神经网络油井产油量预测方法，4.根据权利要求3所述的基于基因调控遗传算法的RBF神经网络油井产油量预测方法，45.根据权利要求4所述的基于基因调控遗传算法的RBF神经网络油井产油量预测方法，c表示自适应变异因子；所述变异操作包括移位变异和重组变异，采用随机数来所述重组变异则是根据基因随机移码突变的原理，将所述变异片段的编码顺序打乱，6.根据权利要求5所述的基于基因调控遗传算法的RBF神经网络油井产油量预测方法，数据获取模块，用于采用样本数据，并采用小波降噪法对所述优化模块，采用基于基因调控遗传算法对RBF神水量Qin3g(k)4个重要因素作为待预测数据，经过所述RBF神经网络最终模5步骤2：基于基因调控遗传算法采用四进制DNA编码方步骤5：输出最优适应度值的所述DNA编码，对所述D8.根据权利要求7所述的基于基因调控遗传算法的RBF神经网络油井产油量预测系统，6非易失性的半导体存储元件，用于读取数据获取模块采集的数据处理单元，通过处理电路调用所述计算机程序执行并实现如权利要求1_6任一项对从所述非易失性的半导体存储元件读取的待预测数据按每一处理单位经数据处理单元7[0001]本发明涉及生物智能优化算法，尤其是涉及一种基于基因调控遗传算法的RBF神RBF神经网络的训练方法，用该算法对传统RBF神经网络梯度下降的寻优方式进行了改进，[0005]本发明公开一种基于基因调控遗传算法的RBF神经网络油井产油量预测方法，包8[0011]步骤6：采集样本数据，并采用小波降噪法对所述样本数据进行滤波及归一化处9[0027]从R+1次算法迭代开始，将所有所述个体按照所述适应度值从大到小进行降序排avg为所述适应度值fit(xo)的平均值。fitmax表示所述种群中的最大个体适应度值，fitmin表示所述种群中的最小个体适应度值，[0042]所述变异操作包括移位变异和重组变异，采用随机数来确定所述变异操作的类[0049]其中，q0表示初始变异因子，Δfitmax表示所述种群中最大个体适应度值的变化[0051]本发明还公开一种基于基因调控遗传算法的RBF神经网络油井产油量预测系统，[0067]本发明提供一种基于基因调控遗传算法的RBF神经网络油井产油量预测方法及预[0070]图1是本发明所述基于基因调控遗传算法的RBF神经网络油井产油量预测方法的[0071]图2是本发明所述基于基因调控遗传算法的RBF神经网络油井产油量预测方法的[0072]图3是本发明所述基于基因调控遗传算法的RBF神经网络油井产油量预测方法的[0073]图4是本发明所述基于基因调控遗传算法的RBF神经网络油井产油量预测方法的[0074]图5是本发明所述基于基因调控遗传算法的RBF神经网络油井产油量预测方法的[0075]图6是本发明所述基于基因调控遗传算法的RBF神经网络油井产油量预测方法应的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就易陷入局部最小值等问题，本发明公开一种基于基因调控遗传算法的RBF神经网络油井产[0094]采用基于DNA链条中碱基的编码方式，单个DNA分子可以表达为4个字母的集合：[0096]本发明采用的四进制DNA编码方式是根据基因调控机制中DNA分子的编码方式进avg为所述适应度值fit(xo)的平均值。[0103]这是因为选择操作模仿的是自然界中优胜劣汰的过程，保留适应度值较大的个[0104]所述转录操作具体为：如图3所示，令待转录DNA基因片段的起始位置为第d个编fitmax表示所述种群中的最大个体适应度值，fitmin表示所述种群中的最小个体适应度值，[0112]所述变异操作包括移位变异和重组变异，采用随机数来确定所述变异操作的类[0115]如图4所示，所述移位变异是根据基因插入突变的原理，在所述个体编码的基础[0119]其中，q0表示初始变异因子，Δfitmax表示所述种群中最大个体适应度值的变化[0126]所述RBF神经网络最优模型如图6所示。RBF神经网络的训练过程是权值的寻优过[0127]步骤6：采集样本数据，并采用小波降噪法对所述样本数据进行滤波及归一化处[0129]优选的，本发明还公开一种基于基因调控遗传算法的RBF神经网络油井产油量预水采油数据进行研究，取其中某注采井组从2015年1月到2016年12月期间24个月的注水采油井产油量Qout(k)作为神经网络的输出量，上述4个特Qoutout于基因调控遗传算法的RBF神经