著者还有：匡立春、孙中春、施泽进

第1章 样本学习和控制复杂性的理论和方法
1.1引言
1.2推广性的定性分析
1.2.1推广与过拟合
1.2.2减少方差与偏置的两难问题
1.3平均推广能力
1.4 PAC可学习理论
1.5统计学习理论
1.5.1经验风险最小化和一致收敛性
1.5.2 VC维
1.5.3推广性的界
1.5.4结构风险最小化方法
1.5.5关于统计学习理论的评述
1.6寻找“简单的”模型方法综述
1.7正则化技术和贝叶斯观点
第2章 人工神经网络
2.1引言
2.2概述
2.2.1神经元模型
2.2.2神经网络结构及工作方式
2.2.3神经网络的学习方法
2.2.4神经网络的基本特征
2.3多层前馈网络
2.3.1多层前馈网络训练的BP算法
2.4多层前馈网络快速监督学习算法
2.4.1基于梯度信息的优化学习算法
2.4.2基于L—M的前馈网络训练算法
2.4.3改进的共轭梯度法
2.4.4阻尼因子的自适应调整
2.4.5基于改进共轭梯度法的L—M神经网络快速学习算法
2.4.6实验模拟结果
2.5多层前馈网络的结构优化
2.5.1主要方法
2.5.2确定网络结构的综合法
第3章 贝叶斯神经网络
3.1引言
3.2正则化网络的概率解释
3.3贝叶斯神经网络回归
3.4贝叶斯神经网络模式分类
3.5先验知识的表达
3.5.1关于模型参数的先验
3.5.2噪声（残差）模型
3.6贝叶斯推理和边缘化原理的近似
3.6.1显著度框架下的贝叶斯推理
3.6.2马尔可夫链蒙特卡罗模拟法
3.7模拟实验结果
3.7.1 Diabetes糖尿病诊断问题
3.7.2 Glass玻璃类型分类问题
3.7.3二维非线性函数回归问题
第4章 神经模糊系统方法
4.1引言
4.2模糊联想记忆网络FAM
4.2.1原理
4.2.2基于FAM的测井岩性识别
4.3基于神经网络的模糊推理
4.3.1原理
4.3.2模糊C—均值聚类法
4.3.3 NNFR神经模糊推理算法
4.3.4应用实例
第5章 支持向量机
5.1引言
5.2支持向量机方法
5.2.1支持向量分类器SVC
5.2.2支持向量回归机SVR
5.2.3求解SVM的QP问题最优化技术评述
5.2.4确定模型参数的方法评述
5.3 SVM的贝叶斯概率框架
5.3.1似然函数
5.3.2先验概率分布
5.3.3后验分布
5.4超参数推理和ARD特征选择
5.4.1基于Laplace近似的显著度最大化下的超参数推理
5.4.2 ARD特征选择
5.5在SVC中的实验结果
5.6在SVR中的实验结果
5.6.1 5个二维非线性函数回归问题
5.6.2 Boston房价中值预测问题
5.6.3猪肉脂肪含量预测
5.7后记
第6章 测井储层特性智能解释技术
6.1引言
6.2传统测井解释现状
6.2.1均质理论
6.2.2线性假设
6.2.3统计经验关系式
6.3测井储层特性智能解释的任务及特点
6.4测井储层特性智能解释过程
6.4.1网络结构的确定
6.4.2网络模型的建立
6.4.3网络模型的预测
6.5数据预处理技术
6.5.1岩心分析数据的预处理
6.5.2测井资料的预处理
6.6学习样本的选取原则
6.7提高智能解释模型推广能力的措施
6.7.1训练样本的数量
6.7.2网络学习的精度
6.7.3输入信息的选择
6.7.4先验知识的应用
第7章 在测井储层参数解释中的应用
7.1储层孔隙度解释
7.2储层渗透率解释
7.3储层含水饱和度解释
7.3.1测井资料的标准化和归一化
7.3.2测井解释模型的建立和预测
7.3.3测井含水饱和度预测处理及效果评价
7.4粒度中值和束缚水饱和度解释
7.4.1粒度中值解释模型
7.4.2束缚水饱和度解释模型
7.4.3储层参数解释效果对比
7.5中途测井资料检预测地层压力
7.5.1发展现状
7.5.2研究思路
7.5.3地层压力测井检测技术
7.5.4井底以下地层压力预测
7.5.5应用及成果分析
第8章 在测井储层特性识别中的应用
8.1岩性识别
8.1.1神经网络法
8.1.2模糊逻辑法
8.2油气水层识别
8.2.1神经网络法
8.2.2模糊逻辑法
8.2.3支持向量机法
8.3水淹层识别
8.3.1水淹层的基本特征
8.3.2水淹级别的确定
8.3.3在胜利油田胜坨地区的应用
参考文献