前言：中文期刊网精心挑选了与君别范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
与君别范文1
乖阙意方弭，安知忽来翔。累日重欢宴，一旦复离伤。
置酒慰兹夕，秉烛坐华堂。契阔未及展，晨星出东方。
征人惨已辞，车马俨成装。我怀自无欢，原野满春光。
群水含时泽，野雉鸣朝阳。平生有壮志，不觉泪沾裳。
况自守空宇，日夕但彷徨。
与君别范文2
一、经费投入“特殊”关照，不利于学校教育均衡发展。
“直属学校”由省、市教育局直接管理，教育经费由省、市财政局直接划拨，无论是政策落实还是投入大小都远远优于其他学校。于是，“直属学校”的校园校舍、教学设备、图书资源、教育信息化等硬件环境，教师的工资待遇、工作条件、社会认同以及学校管理者尽可以专心办教育而不必为经费发愁等软件环境，都与其他学校的领先优势越来越大。这样就导致优质教师、学生单向流动、相对集中，最终形成了学校发展的不均衡。教育发展不均衡，也就违背了义务教育的公益性和福利性。同时，我们还应该看到“直属学校”设备管理不善、使用不当、闲置不用，包括建设超标准校舍等现象时有发生，在某种程度上造成了教育资源的浪费。
二、教师配置“特殊”关注，不利于教师队伍整体优化。
“直属学校”的教师由省、市教育局、人事局择优配备，年龄结构合理，学历层次高，基本实现全本科甚至研究生学历，特别是体育、音乐、美术、信息技术、综合实践活动、心理健康教育等学科教师实现专业化、专职化。无论是学习培训、比赛交流还是评优选先、晋升职称，“直属学校”的教师都会得到更多的关注，加之学校内部已形成成熟的教师专业发展机制，因此，“直属学校”的教师专业水平提升快、职业幸福感强。这样，除了加剧优秀教师向“直属学校”集中外，还容易消解其他学校教师的工作积极性，教育教学工作和教师专业发展均由于自我效能感差而逐渐形成“破罐子破摔”“做一天和尚撞一天钟”的职业倦怠。同时，还应该看到“直属学校”教师由于发展机会过剩和保险箱心理，不争取、不珍惜发展机会和固步自封、安于现状等现象，这是另一种形式的职业倦怠。
三、学生来源“特殊”处理，不利于社会公平公正。
“直属学校”的学生有更开阔的视野和更高端的平台进行学习、交流、展示。随着城市化进程的加快、生活水平的提高、独生子女的增多，人民对优质教育的需求不断增长。但“僧多粥少”，于是义务教育阶段的择校行为派生出一系列社会问题：拼爹族、择校费、补习班畸形发展、课业负担过重等，形成人人声讨却又人人助推的“僵局”。本是面向所有国民的义务教育异化为等级化的、竞争性的、具有选拔和淘汰功能的教育，将政府用纳税人的钱提供的“公共产品”变成需要花钱购买的服务，这是对弱势群体享受公共服务权利的架空，助长了不正之风，有失教育公平和社会公平。而“直属学校”办学规模过大（多为2000人以上），班级人数过多（平均70—80人/班），给学校管理工作也带来了诸多困难，教师教育教学无法因材施教，违背了办学的规律和教育的规律。
与君别范文3
设计图是一个机械词汇，是用于设计的图纸，可以是设计桥梁、建筑、水坝等工程，设计图必须拥有合理性，这样才能保证工程的安全。
竣工图，就是在竣工的时候，由施工单位按照施工实际情况画出的图纸，因为在施工过程中难免有修改，为了让客户能比较清晰地了解土建工程，房屋建筑工程，电气安装工程，给排水工程中管道的实际走向和其它设备的实际安装情况，国家规定在工程竣工之后施工单位必须提交竣工图。
（来源：文章屋网 ）
与君别范文4
关键词：模糊集；军事图标；图标识别
中图分类号：TP18文献标识码：A文章编号：1009-3044(2011)28-7063-02
1 基于模糊集的军事图像识别概述
图标识别在军事领域具有重要的意义，对军事图标进行正确的识别对军事图标中内容图像信息的检索起着非常重要作用。这主要是由于这些军事图标能够对其中的信息数据来源进行有效的反映。并且图标所携带的信息数据多，其变化比较小，对于文字而言，检索起来要方便的多。纵观目前图标识别的算法，普遍存在两个方面的问题：一个是现在所采取的图标识别方法基本上根据原图标图像的像素和形状特征进行识别，这种方法不管是从局部或整体上来将，都将像素点所处的位置信息忽略了。但是，军事图标往往是人工所摄成和加工的图像，其大多数都是由两个或者两个以上边界比较清晰的几何图像所组成，如果这些成分图像在不同的位置出现或者组合起来的搭配位置不同，其所形成的图标也完全不同。一个是从图像中分割出来的军事图标因为受到闪光灯、光照等作用，其颜色将产生畸变。如果对这些图标直接进行灰度图像处理很可能会引起识别的误差，甚至导致错误识别，从而导致其进行二值化处理之后所形成的二值图像载有的有用数据信息非常少。
因此，针对以上问题，应该采取基于模糊集的军事图像识别算法，此算法主要是将所提取的图标图像进行二值化转换，以消除军事图标识别过程中颜色畸变的影响；接着对二值图标内部像素点的位置数据信息通过一定的算法进行定位和识别处理。该算法主要是通过形态学极限腐蚀的距离变换原理将图标中各像素点的位置数据信息进行转换，将其转换为相对应的灰度信息，从而使前面的二值化后的图像具有灰度特征，最后对这些图标进行直方图特征分析，以实现对军事图标的识别。
2 基于模糊集的军事图像识别的具体算法步骤
2.1 灰度归一化处理
在军事图标转变为灰度图像之后，通过反梯度平均滤波法对数字化或者扫描过程中所产生的噪声进行消除，此时再进行灰度归一化。此算法只有在对噪声进行有效消除的时候，才能使目标边缘信息的得到比较好的保持。但是，由于灰度归一化过程中，容易对图标图像产生不连贯、不平滑现象，以致于给其后续特征信息的提取产生影响。因此，其图标的灰度归一化应该在灰度域而不是二值域进行，其整个过程如下：第一，采取迭代法对图标进行二值化处理，再将这些进行二值化处理之后的图标分别在垂直、水平方面进行投影，从而可以找到图标在之前的原图像中所对应的像素点位置；第二，依据此像素点位置数据信息在原灰度图像之中对图标背景进行消除，以得到灰度图标图像；第三，对所得到的灰度图标图像进行归一化处理。
灰度归一化的具体算法：设归一化后的军事图标图像高度为H，设归一化之前的图标图像f(x,y)的大小为M×N，从而得到归一化之后的点阵F(x，y)的大小为(MH/N)×H。而为确保直方图柄数充足，像素一般设为200，其映射公式为x'=(H/N)x，y'=(H/N)Y。
2.2 主方向旋转处理
对军事图标图像在进行以上归一化之后而得到的灰度图像再进行二值化。设二值化之后的图表图像为T(x，y)，则
为了使二值化后的军事图标的特性在旋转过程中不发生变化，可以对其进行主方向旋转。在这个时候，我们可以设置图像跟主方向间所形成的夹角为?准：?准=[atan2(2u11,u20・u02)]/2
在上式中：upq=∑x∑y(x-x0)p(y-y0)qT(x,y)反映的是军事图标所在位置的中心矩（p+q阶）；其中x0,y0代表的是T(x，y)所在的重心坐标。此时对军事图标按照主方向进行旋转之后，所得到的最大外接黑色矩形，我们就称之为目标区域，之后的操作都是针对此目标区域所进行的，主要是为了使二值化后的军事图标的特性在旋转过程中不发生变化。图1为二值化军事图标向方向进行旋转的前后形状。
2.3 距离变换处理
模糊集理论主要是以数学集合的形态存在，而数学往往是以图像来表达的，其主要是对图像的结构和基本特征进行描述，即图像集中各部分与部分之间、元素与元素之间的关系的描述。对于大多数的二值军事图标图像，其往往是由许多互不连通的彼此独立的几何图形所组成，所以可将其归属为图形的集合体。可是对于二值化处理后的军事图标而言，如果将其各个部分的像素点位置数据信息进行灰度信息转化，于是就可以利用这个灰度信息将这些图像区别开来。其具体的转化距离函数为：
所以，距离图表示二值化图标的各像素值和其目标相互接近的程度，这就好比等高线图一样。如果对跟目标非常接近的像素进行最大赋值，即对二值化图标进行背景消除处理，所得到的图像清晰度一般跟距离成正比，在每次操作之后，对所有剩下的像素值进行加1处理，从而可以得到一幅距离图。在形态学中，也可以进行迭代地腐蚀二值图处理，极限腐蚀就是指对图标图像通过结构元素进行不断的重复的腐蚀运算，在不断地进行腐蚀运算的过程中，可将那些彼此互不连通的图像区域凸现出来，在此同时又会使一些其他的区域消失。其中，最后一个消失的连通成分即“最终连通成分”。我们所要得到的并对其进行跟踪处理的就是这个“最终连通成分”。通过跟踪，通过每一个最终连通成分的中心点来标识每个连通区域位置，而所有最终连通成分的的集合，我们就称之为极限腐蚀（半径为r）。图2就是极限腐蚀的一个例子；图3则是上述主方向旋转图1(b)在距离变化之后的形状。
2.4 相似性度量处理
军事图标发生镜面变换，即对称变换，其在镜面上所形成的直方图投影将发生非常大的变化。此时，对直方图的相关距离进行求解可以对直方图归一化后形成的距离进行度量处理，以致对这两个图形的整体相似性进行判别。首先，我们要知道直方图的相似性一般是通过距离进行度量的，这个距离如果大，则表示其相似度就越小，距离小则表示相似性越大。投影直方图的相关距离函数一般为：
。
其中，i大于等于零，小于N；T(o)――军事图标；h――直方图；T(s)――集中图像。为了进一步消除对各种影响，在这里直接通过直方图计算将那些特殊背景区域（其灰度为零）进行消除。通过此方法所求得的图标距离跟镜面变换相比并不是很敏感，因此，其可以对图像间的相似性进行较好地反映。最后所得到的那副距离最小的图像，即为识别的结果。
图4对模糊识别算法的整个过程进行了生动描述。下图中，(a) 标识的是网络图像中所获取的军事图标图像；(b)标识的是(a)在进行归一化（其像素高度设置为200）所产生的图像；(图c)是图(b)在二值化处理后发生主方向旋转之后的图形，主方向旋转之后的图(c)进行距离变换，使其像素点位置数据信息进行灰度处理，从而得到其灰度距离图(d)。从以下这些距离图我们能够发现，跟边缘距离越大的点看起来越亮，而跟边缘距离越近的点看起来则越暗，这就表示，距离图中像素点的灰度值能够对像素点的位置数据信息进行准确反映。从而可以对图标进行准确识别。
a) 原始军事图标 b) 归一化图像 c) 主方向旋转 d) 距离变换
图4
3 结束语
综上所述，军事图标识别对于其想要得到的图像信息或者视频信息的检索有着极大的重要性。主要表现在军事图标图像能够反映其数据的来源，并且还能简化其对一些信息数据的处理。本文采取基于模糊集的军事图像识别算法，对军事图标进行识别。具体步骤主要为：灰度归一化处理-主方向旋转处理-距离变换处理-相似性度量处理，通过这些步骤从而可对军事图标进行正确的识别。
参考文献：
[1] 谢谦礼,程承旗,马廷.一种基于模糊集理论的图像图标识别方法[J].计算机工程与应用,2006,42(17)．
[2] 郭丽,孙兴华,黄元元.距离分布直方图及其在商标图案检索中的应用[J].中国图象图形学报,2009,7(10).
[3] 李弼程,彭天强,彭波等.智能图像处理技术[M].北京:电子工业出版社,2009.
[4] 高彦平.图像增强方法的研究与实现[M].济南:山东科技大学,2010.
[5] 李刚.数字图像的模糊增强方法[M].武汉:武汉理工大学出版社,2009.
与君别范文5
【摘要】呼吸道感染占感染性疾病的首位,其病原以细菌和病毒最为常见,因许多症状、体征相似,给临床上病因学诊断带来困难。但临床病因学的治疗有质的不同,所以明确病因学诊断极为重要。细菌培养或病毒分离与鉴定以及血清免疫学诊断需时较长,对早期诊断帮助不大,且基层医院无条件做到?因此,在基层医院根据临床经验,利用病史、症状、体征及白细胞计数来初步鉴别细菌性还是病毒性呼吸道感染,对于指导临床治疗有重要意义,有利于纠正目前严重滥用抗生素的不良倾向,节省医疗费用,减轻病人负担,防止某些医源性疾病的发生。
【关键词】病毒性呼吸道感染;细菌性呼吸道感染;鉴别;病因学诊断;
细菌性还是病毒性呼吸道感染的最确切诊断依据是病原学诊断。但是对病毒性疾病的病学诊断一般需时较长,对疾病的早期诊断帮助不大。同时细菌培养或病毒分离与鉴定以及血清免疫学均需要一定设备,目前在基层医院还难以办到。因此在基层医院,根据临床经验、根据病史、症状、体征和血细胞计数来初步鉴别细菌性还是病毒性呼吸道感染,对于指导临床治疗有着重要的意义。
细菌性和病毒性呼吸道感染均有发热、咳嗽、咳痰等症状。一种病毒或细菌可引起多种不同的疾病。例如,腺病毒感染可以从症状较轻的普通感冒到危害病儿生命的腺病毒性肺炎,溶血性链球菌感染可以从扁桃体炎到大叶性肺炎。因此,给临床诊断带来困难。笔者在农村基层医院从事临床工作多年,根据实际工作中的点滴体会并结合有关文献,逐步总结出一些初步鉴别细菌性还是病毒性呼吸道感染的方法,报告如下。
1 排除以发热和呼吸道感染为首发症状的疾病
鉴别之前,必须排除以发热和呼吸道感染为首发症状的某些传染病,因此,注意传染病的流行季节及当地流行情况,注意各种传染病的临床特点,防止误诊,实属必要。在建立了病毒或细菌性呼吸道感染的拟诊后,只要认真分析病史,注意鼻咽部发炎的症状和体征,注意病毒和细菌感染的特点并全面分析,一般可做出初步的判断。
2 病毒性感染有明显群体发病的倾向
许多病毒分型众多,例如鼻病毒,就有89个型别,一些病毒极易变异,因此,临床上在同一时期内遇到症状相同的较多病人,则提示为病毒感染。而细菌性呼吸道感染则以散发性发病为多见。病前有无链球菌感染或病毒性感冒的接触史,对诊断有参考意义。
3 病毒性感染鼻部症状比咽部症状明显
病毒性感染流清涕,咽部水肿比充血明显,可伴淋巴滤泡增生,无脓性分泌物。而细菌性感染则扁桃体或其他咽部红肿及疼痛比较明显,可有渗出物。许多病毒感染可以出现皮疹、溃疡等。若有疱疹、溃疡,则常为病毒性感染。若伴有腹泻或眼结膜充血则更支持病毒感染。有时根据局部表现可推测病因:黄色渗出物提示溶血性链球菌感染,白膜样渗出物提示葡萄球菌感染的可能(也可能为腺病毒并需排除白喉)。高热、流涎、拒食、咽壁及附近有小疱疹及小溃疡者为疱疹性咽峡炎。同时,细菌性咽部感染时,颌下、颈淋巴结常肿大,有压痛。
4 脓痰是细菌性感染的直接证据
支气管肺部化脓性炎症常咳出多量脓性痰,肺炎球菌性肺炎可有铁锈色痰,肺炎杆菌肺炎可咯出红棕色胶冻样痰。而喷嚏、鼻塞、流涕等症状出现后再咳出脓性痰则提示在病毒感染基础上继发细菌感染。有人称:“病毒打先锋,细菌步后尘”,对呼吸道感染尤要注意这一点。
5 病毒性感染起病急骤,而细菌性感染相对较缓
不论病毒性或细菌性感染,均可表现为突然高热。但一般来讲,病毒性感染起病急骤,发热高而全身中毒症状可轻可重,而细菌性感染,起病可急可缓,全身中毒症状相对较重。若开始2～3天发热不高继而高热,有可能为细菌感染或继发细菌感染。
6 细菌性感染呼吸道症状相对较早
一般认为病毒性肺炎起病急骤,发热比较明显,呈稽留热或弛张热,早期可缺乏明显呼吸道症状,肺部物理征出现比较晚。但一旦出现,便发展迅速,肺部叩诊很快因炎变而发浊,呼吸音减低,并常有肺气肿征象。而细菌性肺炎,起病可急可缓,发热不定型,常先有明显的呼吸道症状,咳喘渐重,肺部较早出现广泛的湿音。
7 白细胞计数
细菌感染者白细胞计数一般都较高,中性粒细胞比例也很高。而病毒性感染时血白细胞可降低,绝大多数不超过12000/L,中性粒细胞也不超过70%,而淋巴细胞相对增高。除非继发细胞感染时白细胞及中性粒细胞可由低而上升。
与君别范文6
关键词：测井解释；砂砾岩；细菌觅食算法；多组分矿物模型；最优化反演；岩性；孔隙度；松辽盆地
中图分类号：P618.130.2；TE122文献标志码：A
Identification Method of Sandyconglomerate Lithology Based on Bacterial Foraging Algorithm
WANG Fei1， BIAN Huiyuan2， HAN Xue3， ZHANG Yi3， ZHANG Yonghao4
（1. School of Geology Engineering and Geomatics， Changan University， Xian 710054， Shaanxi， China；
2. College of Geology and Environment， Xian University of Science and Technology， Xian 710054，
Shaanxi， China； 3. The First Branch of the Logging Company， Shengli Petroleum Engineering Co. Ltd.，
Dongying 257200， Shandong， China； 4. CNPC Logging Co. Ltd.， Xian 710077， Shaanxi， China
）
Abstract： Sandyconglomerate reservoir lithology is complex， composition variation of parent rock is large， pore structure is complex and strong heterogeneity， so that it is difficult to accurately divide lithology and build accurate interpretation model， resulting in low reservoir parameter calculation accuracy. Based on the characteristics of sandyconglomerate reservoir in Lishu fault of Songliao Basin， a multicomponent volume model was established for well logging interpretation， and the stratum was taken as the combination of local homogeneous pore， muddy， quartz， feldspar and rock debris. According to the multicomponent volume model， the corresponding log response equation was built， and the bacterial foraging algorithm was taken as the optimal solution of multicomponent mineral model， and then the optimized results were compared with the porosity by core analysis and the volume fraction by wholerock mineral analysis. The results verify that the bacteria foraging algorithm is reliable for the inversion of sandyconglomerate multicomponent mineral model. Based on bacteria foraging algorithm， the result is good for the well logging interpretation of sandyconglomerate reservoir in Songliao Basin.
Key words： well logging interpretaton； sandyconglomerate； bacterial foraging algorithm； multicomponent mineral model； optimization inversion； lithology； porosity； Songliao Basin
0引言
砂砾岩储层岩性复杂多变，储层岩石矿物主要成分包括石英、长石和岩屑。部分长石和岩屑具有放射性，对利用自然伽马测井计算泥质体积产生干扰，因此，充分考虑砂砾岩岩性，合理建立测井响应方程，准确求取各组分体积分数，可以提高砂砾岩储层地质参数的评价精度。国内外研究的思路是加强对砂砾岩岩性的分析，采用的方法为最优化测井解释方法[18]。
近年来，随着对非线性反演领域的重视，已经出现了一大批具有巨大潜力和应用价值的非线性反演方法，并应用于测井最优化解释领域。这些算法原理各不相同，有以数学为基础的蒙特卡洛法、最速下降法、拟牛顿法等，这些方法都存在计算复杂和收敛速度方面的问题。有基于仿生原理的遗传算法等，这种算法已经广泛应用于测井最优化反演，并取得了很好的效果，但是容易过早收敛，且当连续性条件严格时，搜索效率下降。随着信息处理技术的发展，群体智能优化算法成为解决多参数、非线性最优化的有效手段，典型的群体智能算法有蚁群算法、粒子群算法、细菌觅食算法等，这些算法在石油地球物理勘探领域的应用越来越广泛[912]。
细菌觅食算法是Passino于2002年提出的一种新型仿生类群体智能算法，主要依靠以细菌特有的趋化、繁殖、迁徙3种行为为基础的3种算子进行位置更新和最优解的搜索，进而实现种群的进化[1317]。本文将细菌觅食算法引入到最优化测井解释中，并应用于砂砾岩储层评价。
1最优化测井解释模型的建立
1.1最优化测井解释基本原理
最优化测井解释是根据地球物理学广义反演理论，以反映地层特征的实际测井值ai为基础，根据储层地质和孔隙结构等特征建立适当的解释模型并选择多种测井响应方程，合理选择区域性解释参数与储层参数初始值，使反演结果充分逼近实际测井值，目标函数值达到最小。
应用最优化方法进行测井解释的优化数学模型可归结为
min F（x，ai）=min∑mi=1（ai-fi（x，z））2σ2i+τ2i
s.t. hk（x）=0，k=1，2，…q
gj（x）≥0，j=1，2，…p（1）
式中：F（x，ai）为测井解释的目标函数；fi（x，z）为第i种测井响应函数；x为未知储层参数向量；z为区域性解释参数向量；m为测井曲线个数；σi为第i种测井值的测量误差；τi为第i种测井值的响应方程误差；gj（x）为不等式约束；hk（x）为等式约束；q为不等式个数；p为等式个数。
1.2砂砾岩储层岩石矿物组分分析
松辽盆地梨树断陷砂砾岩储层岩性复杂，对梨树断陷岩矿数据进行统计，结果表明砂砾岩储层岩石矿物主要成分为岩屑、石英和长石。其中，岩屑主要包括中、酸性喷出岩以及少量的碎裂岩和变质岩。
1.3砂砾岩多组分体积模型及目标函数
为简化模型，将钾长石和斜长石作为一个整体，地层由孔隙、泥质、石英、长石和岩屑5个组分组成（图1）。
2细菌觅食算法基本原理及最优化测井解释流程
2002年Passino提出的细菌觅食算法是一种新型仿生类群体智能算法，以趋化、繁殖、迁徙3种行为为基础的3种算子进行位置更新和最优解的搜索，进而实现种群的进化。细菌觅食算法具有全局性、快速性、高精度和能源占用低等特点。
细菌觅食算法包括3个主要的算子，即趋化算子、繁殖算子和迁徙算子。这3个算子是算法的核心思想，并且决定算法的性能。
2.1趋化（Chemotaxis）
趋化是细菌朝着营养丰富充足的地方聚拢的运动过程。细菌在趋化进程内运动方式由前进（Swim）和翻转（Tumble）组成。翻转即为细菌朝着任意的方向前进单位的步长。
2.2聚集（Swarming）
在菌群寻取食物的过程中，细菌个体之间通过相互间的作用达到群体的聚集行为。细胞与细胞之间存在引力，又存在斥力。引力使细菌聚集在一起，甚至出现“抱团”现象；斥力使每个细菌都有一定的位置，使其能在该位置上获取能量，以维持生存。
2.3繁殖（Reproduction）
经过一定的趋化步骤后，觅食结果较好的细菌进行繁殖，通过细胞分裂生成与父代完全相同的子代，没有繁殖的细菌将死掉，以此维持菌群的规模不变。繁殖是一个拣选的过程，通过健康度函数选择出进化繁殖的细菌。
2.4迁徙（Elimination and Dispersal）
细菌生活的区域可能会突然发生剧烈变化，也有可能突然受到其他影响。迁徙指实际环境中的细菌被外力杀死或者驱散到新的区域中去，这破坏了细菌的趋化过程，但是细菌也可能寻找到食物更为丰富的区域，因此，从长远来看，这更有利于趋化算子跳出局部最优解和寻找全局最优解。
2.5细菌觅食算法最优化测井解释流程
细菌觅食算法求解最优化问题的具体步骤有5个部分（图2）。随机初始化种群，设置种群的大小为500，聚类数目为5，趋化次数为50，趋化操作中单向运动的最大步数为4，每个细菌的迁移概率为0.25，执行种群的趋化、繁殖、迁徙操作，判断新位置的适应度值是否更好。如果更好，将新位置的适应度值存储为细菌目前最好的适应度值；如果不是，返回重新计算新位置上的适应度值，直到满足全局最优适应度值，最后输出结果。
4应用实例及效果分析
表2为松辽盆地A井2 515～2 530 m深度段反演的各组分体积分数与岩芯分析结果误差对比。由表2可见：计算的孔隙度与岩芯分析数据相比，平均绝对误差为0.016，平均相对误差为0275；计算的石英体积与岩芯分析数据相比，平均绝对误差为0.051，平均相对误差为0.196；计算的长石体积与岩芯分析数据相比，平均绝对误差为0.087，平均相对误差为0269；计算的岩屑体积与岩芯分析数据相比，平均绝对误差为0.044，平均相对误差为0160。图3为A井2 515～2 530 m深度段细菌觅食算法反演结果。由误差分析可知，重构理论曲线与实际测井曲线平均绝对误差与平均相对误差均较小，说明反演结果是正确的。
图4为A井2 515～2 530 m深度段重构曲线与实际测井曲线质量检测结果。表3为重构曲线理论值与实际测井曲线误差分析结果。由表3可见：重构补偿中子孔隙度曲线与实际补偿中子孔隙度测井值相比，平均绝对误差为1.410，平均相对误差为0.143；重构密度曲线与实际密度测井值相比，平均绝对误差为0014，平均相对误差为0.006；重构声波时差曲线与实际声波时差测井值相比，平均绝对误差为10660，平均相对误差为0.048；重构自然伽马与实际自然伽马相比，平均绝对误差为3.550，平均相对误差为0.038。由误差分析可知，重构理论曲线与实际测井值平均绝对误差与平均相对误差均较小，说明反演结果是正确的。
图5为松辽盆地B井1 330～1 350 m深度段细菌觅食算法反演结果。表2为B井反演的各部分体积分数与岩芯分析数据误差对比结果，B井只分析了岩芯孔隙度。由表2可见，计算的孔隙度与岩芯分析数据相比，平均绝对误差为0.017，平均相对误差为0.194。
图6为B井1 330～1 350 m深度段重构曲线与实际测井曲线质量检测结果。重构曲线理论值与实际测井曲线误差分析结果见表3。由表3可见：重构补偿中子孔隙度曲线与实际补偿中子孔隙度测井值相比，平均绝对误差为2.030，平均相对误差为0.125；重构密度曲线与实际密度测井值相比，平均绝对误差为0033，平均相对误差为0012；重构声波时差曲线与实际声波时差测井值相比，平均绝对误差为26970，平均相对误差为0.096；重构自然伽马曲线与实际自然伽马测井值相比，平均绝对误差为7580，平均相对误差为0.097。由误差分析可知，B井中该方法反演结果也有效。
5结语
（1）砂砾岩储层岩性复杂，岩石矿物包括石英、长石和岩屑，并且岩屑的成分比较复杂。合理建立多组分矿物模型并确定反演目标函数，综合利用多种常规测井曲线信息，设置合理的约束条件，利用细菌觅食算法可以获取非线性多组分矿物模型的最优解。
（2）将细菌觅食算法应用于松辽盆地砂砾岩储层多组分矿物模型解释中，模型反演效果稳定可靠，应用效果较好。
（3）由于细菌觅食算法是一种新型的基于群体的优化工具，虽然具有取得全局最优解的能力，但其研究仍然处于起步阶段，所以该算法的理论基础及工程应用仍需进一步研究和推广。
参考文献：
References：
[1]韩雪，潘保芝，张意，等.遗传最优化算法在砂砾岩储层测井评价中的应用[J].测井技术，2012，36（4）：392396.
HAN Xue，PAN Baozhi，ZHANG Yi，et al.GAoptimal Log Interpretation Applied in Glutenite Reservoir Evaluation[J].Well Logging Technology，2012，36（4）：392396.
[2]田云英，夏宏泉.基于多矿物模型分析的最优化测井解释[J].西南石油学院学报，2006，28（4）：811.
TIAN Yunying，XIA Hongquan.The Optimal Logging Explantion Base on Multim in Erals Model Analysis[J].Journal of Southwest Petroleum Institute，2006，28（4）：811.
[3]段亚男，潘保芝，韩雪.砂砾岩储层的多组分模型及最优化测井解释[J].国外测井技术，2012，33（6）：2023.
DUAN Yanan，PAN Baozhi，HAN Xue.Multicomponent Model and Optimization Logging Evaluation of Glutinite Reservoirs[J].Word Well Logging Technology，2012，33（6）：2023.
[4]申本科，赵红兵，崔文富，等.砂砾岩储层测井评价研究[J].地球物理学进展，2012，27（3）：10511058.
SHEN Benke，ZHAO Hongbing，CUI Wenfu，et al.Sandy Conglomerate Reservoir Logging Evaluation Study[J].Progress in Geophysics，2012，27（3）：10511058.
[5]陈钢花，王有涛，董维武，等.深层砂砾岩储层测井精细评价[J].海洋石油，2010，30（2）：8286.
CHEN Ganghua，WANG Youtao，DONG Weiwu，et al.Fine Evaluation on Deep Glutenite Reservoirs with Well Logging Data[J].Offshore Oil，2010，30（2）：8286.
[6]熊杰，刘彩云，邹长春.基于粒子群优化算法的感应测井反演[J].物探与化探，2013，37（6）：11411145.
XIONG Jie，LIU Caiyun，ZOU Changchun.The Induction Logging Inversion Based on Particle Swarm Optimization[J].Geophysical and Geochemical Exploration，2013，37（6）：11411145.
[7]刘倩茹，薛林福，潘保芝，等.梨树断陷砂砾岩测井岩性识别[J].测井技术，2013，37（3）：269273.
LIU Qianru，XUE Linfu，PAN Baozhi，et al.Study on Glutenite Reservoir Lithology Identification in Lishu Fault[J].Well Logging Technology，2013，37（3）：269273.
[8]边会媛，王飞，岳崇旺，等.利用弹性参数识别致密砂岩储层流体性质[J].地球科学与环境学报，2014，36（4）：99106.
BIAN Huiyuan，WANG Fei，YUE Chongwang，et al.Fluid Property of Tight Sandstone Reservoir Identified with Elastic Parameters[J].Journal of Earth Sciences and Environment，2014，36（4）：99106.
[9]邹长春，尉中良，柴细元，等.利用遗传算法实现最优化测井解释[J].测井技术，1999，23（5）：361365.
ZOU Changchun，WEI Zhongliang，CHAI Xiyuan，et al.Optimization of Log Interpretation Using Genetic Algorithm[J].Well Logging Technology，1999，23（5）：361365.
[10]徐志成，王树青.基于菌群优化算法的非线性系统模型参数辨识[J].计算机工程与应用，2013，49（1）：4649.
XU Zhicheng，WANG Shuqing.Parameter Identification of Nonlinear System Model Based on Bacterial Swarm Foraging for Optimization[J].Computer Engineering and Applications，2013，49（1）：4649.
[11]孟令群，郭建青.利用混沌粒子群算法确定河流水质模型参数[J].地球科学与环境学报，2009，31（2）：169172.
MENG Lingqun，GUO Jianqing.Application of Chaos Particle Swarm Optimization Algorithm to Determination of Water Quality Parameter of River Steam[J].Journal of Earth Sciences and Environment，2009，31（2）：169172.
[12]姜建国，周佳薇，郑迎春，等.一种自适应细菌觅食优化算法[J].西安电子科技大学学报：自然科学版，2015，42（1）：7581.
JIANG Jianguo，ZHOU Jiawei，ZHENG Yingchun，et al.Adaptive Bacterial Foraging Optimization Algorithm[J].Journal of Xidian University：Nature Science Edition，2015，42（1）：7581.
[13]周雅兰.细菌觅食优化算法的研究与应用[J].计算机工程与应用，2010，46（20）：1621.
ZHOU Yalan.Research and Application on Bacteria Foraging Optimization Algorithm[J].Computer Engineering and Applications，2010，46（20）：1621.
[14]杨尚君，王社伟，陶军，等.基于混合细菌觅食算法的多目标优化方法[J].计算机仿真，2012，29（6）：218222.
YANG Shangjun，WANG Shewei，TAO Jun，et al.Multiobjective Optimization Method Based on Hybrid Swarm Intelligence Algorithm[J].Computer Simulation，2012，29（6）：218222.
[15]李博.细菌觅食优化算法研究及其在图像检索中的应用[D].西安：西安电子科技大学，2014.
LI Bo.Research on Bacterial Foraging Optimization Algorithm and Its Application in Image Retrieval[D].Xian：Xidian University，2014.
[16]吉佳红，高尚.基于正交试验的细菌觅食算法的全局最优化[J].电子设计工程，2015，23（12）：2830.
JI Jiahong，GAO Shang.An Bacterial Foraging Algorithm Based on Orthogonal Experimental Method for Global Optimization[J].Electronic Design Engineering，2015，23（12）：2830.