测井时间序列的支持向量机回归预测摘要统计学习理论是针对小样本情况下的机器学习理论，其核心思想是通过控制学习机器的复杂度实现对学习机器推广能力的控制。支持向量机能够尽量提高学习机的推广能力，即使由有限数据集得到的判别函数对独立的测试集仍能够得到较小的误差。因此，本文把支持向量机用于测井时间序列的回归预测。首先，介绍了时间序列和支持向量机的基础理论。其次，详细介绍了支持向量机的回归原理和算法。最后，本文根据石油地质勘探的实际问题，将支持向量机运用测井曲线预测储层参数——孔隙度。结果表明，该方法预测精度高，方法稳定有效。支持向量机较好的解决了小样本测井勘探的实际问题。关键词：支持向量机；时间序列；回归预测LoggingtimeseriessupportvectormachineregressionAbstract:Statisticaltheoryisacaseofmachinelearningtheorywhichisbasedonsmallsample.It’scoreideaisthemachinebycontrollingthecomplexityoflearningtoachievethepromotionoftheabilityoflearningmachinecontrol.Supportvectormachinetomaximizethegeneralizationabilityoflearningmachine,evenifalimiteddatasetobtainedfromthediscriminantfunctionontheindependenttestsetwillbesmallerstillerror.Therefore,thesupportvectormachineisusdtologgingtimeseriesregression.Firstofall,thisarticleintroducesthetheoryofthetime-seriesandthebasisofsupportvectormachine.Second,itintroducesdetailedinformationonthereturnofsupportvectormachinetheoryandalgorithm.Finally,thisarticleinaccordancewiththeactualgeologicalexplorationofoilwillbetheuseofsupportvectormachinepredictionofreservoirparameterslogging-porosity.Theresultsshowthathighpredictionaccuracyofthemethod,astableandefficientmethod.Supportvectormachinetoresolvebetterthesmallsampleofthepracticalproblemsloggingexploration.Keywords：supportvectormachines；timeseries；regression目录TOC\o"1-3"\h\z\u编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第页共NUMPAGES51页第PAGE\*MERGEFORMAT47页共NUMPAGES\*MERGEFORMAT51页第1章前言1.1选题意义本课题的主要目的是研究支持向量机预测储层岩性参数问题。在估计孔隙度的过程中，测井的数目往往是固定且有限的，支持向量机在解决小样本问题中表现出许多特有的优势SVM方法的几个主要优点有：1.是专门针对有限样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；2.算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题；3.算法将实际问题通过非线性变换转换到高维空间，在高维空间中构造线性逼近函数来实现原空间中的非线性逼近函数，特殊性质能保证学习机有较好的推广能力，同时，它巧妙地解决了维数问题，使其算法复杂度与维数无关。对于小样本的分类问题,SVM具有调节参数较少、运算速度快等优点。通过地震或测井等信息进行油气预测是一种典型的非线性分类器设计问题,它具有已知样本数较少、属性空间维数高、没有明确的对应关系模型等特点。因此，选择支持向量机对其进行预测。1.2研究现状近十几年来的测井技术，特别是20世纪90年代后，