由于数据仓库频繁从各种源数据中装载和刷新,常常存在数据缺失等问题,因此必须进行数据清洗工作。在分类识别中支持向量机(SVM)能取得较好的应用效果,但其性能受惩罚参数和核参数的影响。为此,本文为提高数据清洗效果,研究基于压缩感知的缺失值填补方法;为提高SVM的分类识别精度,研究基于半定规划的贝叶斯支持向量机技术。并将这些方法技术应用于石油测井之中。主要研究内容和创新点如下:(1)基于压缩感知的数据清洗技术研究。由于采集的数据总是受缺失值等噪声的影响,其数据质量问题影响着决策效果。为了提高空值清洗的效果,采用基于压缩感知的正交匹配追踪算法对采集的数据进行清洗,即根据原始数据的稀疏性,将缺失的部分通过重构算法重构出来。实验仿真结果表明其清洗效果显著。(2)基于贝叶斯准则的支持向量机分析。由于支持向量机的分类识别精度受惩罚参数和核参数的影响。为了获得更好的分类识别精度,需要合适的惩罚参数和核参数。为此,根据贝叶斯理论框架,分析了由贝叶斯准则推断支持向量机的惩罚参数和核函数参数的过程。仿真实验表明这种贝叶斯支持向量机取得合理的分类识别效果。(3)基于半定规划的贝叶斯支持向量机研究。为进一步提高支持向量机的分类识别精度,基于多核函数思想,构造多核支持向量机模型,即将多个核函数进行线性组合,首先由贝叶斯理论推导出单核支持向量的参数值,再通过半定规划的算法求取多核核函数的最优组合系数,仿真验证了其有效性和优越性。(4)油气层识别实际应用研究。油气层识别是石油测井中的一个重要组成部分。为解决复杂井的油气层识别问题,设计一种多核支持向量机的油气层识别模型,采用所研究的基于半定规划的贝叶斯支持向量机技术,并对中国某两口典型油井的油层进行识别。实验结果表明其应用效果显著,具有广阔的应用前景。