朴素贝叶斯分类器可以应用于岩性识别.该算法常使用高斯分布来拟合连续属性的概率分布，但是对于复杂的测井数据，高斯分布的拟合效果欠佳.针对该问题，提出基于EM算法的混合高斯概率密度估计.实验选取苏东41-33区块下古气井的测井数据作为训练样本，并选取44-45号井数据作为测试样本.实验采用基于EM算法的混合高斯模型来对测井数据变量进行概率密度估计，并将其应用到朴素贝叶斯分类器中进行岩性识别，最后用高斯分布函数的拟合效果作为对比.结果表明混合高斯模型具有更好的拟合效果，对于朴素贝叶斯分类器进行岩性识别的性能有不错的提升.

测井数据集 Open source well logging data set 适用于机器学习分析地下储层岩性识别与分类

2021泰迪杯B3-基于深度学习的岩石样本岩性识别与含油.pdf

这是我的科研实验备份文件夹 如果觉得该项目对你有帮助，请帮我点个star谢谢！ 以上实验的实验数据均在所谓的numpy-的存储库中 有任何问题欢迎发起issue与我交流，或者发送邮件至 推荐采用Google colab运行实验，方便快捷 这是我的科研实验备份文件夹 如果您认为该项目对您有帮助，请给我加星。 谢谢！ 以上实验的实验数据全部在一个名为numpy-的存储库中 如有任何疑问，请打开一个问题与我联系，或发送电子邮件至 建议使用Google colab进行实验，该实验方便快捷

基于MATLAB神经网络的岩性识别.pdf

针对现有煤矿井下含煤地层岩性识别方法存在地层信息参数获取难度大、岩性识别精度低的问题，提出了一种基于主成分分析（PCA）算法和核模糊C均值聚类（KFCM）算法的含煤地层岩性优化识别方法。利用钻进试验台获取机械钻速、回转扭矩、钻压、转速、回转压力和泥浆泵流量6种钻进敏感参数，构造高维钻进参数集作为识别数据来源，包括训练样本和测试样本；结合PCA算法的特征提取优势和KFCM算法具有较好聚类效果的特点，建立基于PCA-KFCM算法的岩性识别模型；采用PCA算法对训练样本进行特征提取和降维处理，得到训练样本的特征值和特征向量；采用KFCM算法对训练样本主成分数据集进行模糊核聚类分析，将试验岩样分为若干类型；通过马氏距离判别法建立判别准则，利用最小马氏距离完成对测试样本的地层岩性识别。测试结果表明，基于PCA-KFCM算法的含煤地层岩性优化识别方法能够有效识别地层岩性，与常规KFCM算法相比，识别精度提高了23.2%。