[发明专利]基于混合漏积分CRJ网络的多元钻井时间序列预测方法

权利要求书

1.一种基于混合漏积分CRJ网络的多元钻井时间序列预测方法，其特征在于，包括：

获得样本集{X_i|i＝1，2，...，M}，其中，M为时间序列，X_i＝[x_i1，x_i2，…，x_in]∈Rⁿ；

对所述样本集进行归一化处理，计算公式如下：

其中，和分别对应第i维时间序列的最大值和最小值，y_in为归一化之后的结果；

获得钻压的参考序列Y₀与钻井的变量序列关于第k个指标的关联系数，

根据灰关联算法获得相关变量作为网络输入；

根据混合漏积分神经元与CRJ网络形成混合漏积分CRJ网络，所述混合漏积分神经元与所述CRJ网络的结合方式为：储备池中漏积分神经元的占比为50％，储备池外部循环结构使用交替注入神经元的方式，储备池内部跳转结构使用漏积分神经元之间跳转连接的方式，所述混合漏积分CRJ网络的网络隐含层的状态更新方程如下：

其中，第一个式子为双曲正切神经元的激励方式，第二个式子为所述混合漏积分神经元的激励方式；

获得所述混合漏积分CRJ网络的权值；

获得所述混合漏积分神经元中泄漏率a的取值，所述泄漏率a的取值范围为[0.55，0.8]；

使用训练完成的混合漏积分CRJ网络对钻井过程的关键变量进行时序预测；

根据预测结果预先采取相应的调整策略。

2.根据权利要求1所述的基于混合漏积分CRJ网络的多元钻井时间序列预测方法，其特征在于，所述泄漏率a的取值为0.65。

3.根据权利要求1所述的基于混合漏积分CRJ网络的多元钻井时间序列预测方法，其特征在于，所述混合漏积分CRJ网络的权值包括输入权重W_in、循环权重W_c、跳跃权重W_j和输出权重W_out，所述获得所述混合漏积分CRJ网络的权值的步骤包括：

获得所述混合漏积分CRJ网络的输入权重W_in、循环权重W_c、跳跃权重W_j；

根据岭回归算法获得所述混合漏积分CRJ网络的输出权重W_out，计算公式如下：

W_out＝(Q^TQ+bI)Q^TH (8)

其中，Q为网络在预测过程中的状态矩阵，H为指导信号，I为单位矩阵，正则化系数b为10^-7。