毫无疑问，碳酸盐岩中有大量的烃源，特别是那些天然裂缝的烃源，由于其复杂和非常规的行为，仍然需要研究其特征。 因此，采用任何能提高天然裂缝性油藏（NFR）采收率（EOR）的方法似乎都是必要且有用的。 但是，选择最合适的方案总是有挑战性的。 筛选标准将确定实施EOR流程的可能性。 同时，利用贸易营销模拟器可以解决此问题。 此外，仿真可以评估其他参数，例如含水率和气油比。 在这项研究中，为了选择最佳的EOR方案，考虑了含水层支撑的伊朗NFR，其中两个部分通过页岩层彼此分开。 使用PVTi软件创建流体模型。 在ECLIPSE Compositional（E300）中模拟了自然采油，注水，可混溶二氧化碳注入，水交替气（WAG）注入，同时水交替气（SWAG）注入，混合注入和气体再循环等各种生产方案并将其回收率记录为目标参数。 所开发的方案以提供最佳结果的方式进行设计，即更高的采收率，更少的含水率以及更少的气油比。 结果，SWAG显示了更好的条件，并建议在将来对储层管理计划进行进一步研究。 此外，通过在SWAG之外创建自然的WAG，含水层在SWAG方案中的作用也很积极。 此外，与其他方案相比，在SW

本文讨论了带有ARCH（p）误差的部分函数线性模型中参数的估计。 结合功能原理，提出了一种混合估计方法。 获得均值模型中线性参数和ARCH误差模型中参数的估计量的渐近正态性，并建立了斜率函数估计的收敛速度。 此外，进行了一些仿真和实际数据分析，以说明问题，并且表明该方法在有限样本下性能良好。

集料化学成分对沥青-集料交互作用的影响，张久鹏，杜慧，为研究集料化学成分对沥青胶浆流变行为及沥青-集料交互作用的影响，采用二氧化硅、氧化镁、氧化钙、氧化铁和氧化铝粉末与克拉玛�

Polsar 图像极化分解程序，四成分分解，IDL程序，很有价值的！极化目标分解有Freeman 分解，四成分分解，OEC分解等等，很有研究价值。

层次分析matlab代码PCA 使用Matlab进行空间主成分分析（SPCA 1.1）：Tarik Benkaci＆N. Dechemi（2020）注：该软件包使用Pearson的相关系数计算PCA，此外（SPCA 1.1）还通过三种方法对观测值进行聚类：KNN， K均值和层次聚类。 根据您的语言：法语或英语，如果要英语版本，请转到example_eng_2.m代码并运行：然后代码显示：数据的“变量的基本特征”：和pca的计算：相关矩阵（使用c.pearson ）并计算特征向量和特征值。 在第二部分中：该代码显示pca的主要结果。 该软件包根据以下三种方法显示变量的聚类：KNN，K-means和分层聚类（HC）

【人脸识别】基于主成分分析PCA算法人脸识别门禁系统含Matlab源码

matlab 偏最小二乘法代码咖啡的主成分分析、聚类和偏最小二乘分析，基于 Ref.Food Chemistry 66 (1999) 365-370。 使用 Matlab 代码，可以根据金属含量区分咖啡组。

为了实现沙棘汁品牌的快速无损鉴别,提出了采用可见近红外光谱分析技术(NIR)鉴别沙棘汁品牌的方法。采用FieldSpec3光谱仪对三种沙棘汁进行光谱分析,各获取40个样本数据。采用平均平滑法和多元散射校正(MSC)方法对样本数据进行预处理,再用主成分法(PCA)对光谱数据进行聚类分析并获得各主成分数据。将120个沙棘汁样本随机分成90个建模样本和30个预测样本,把基于累计可信度选择的建模样本的8个主成分(PCs)数据作为BP网络的输入变量,沙棘汁品牌作为输出变量,建立三层反向传播(BP)神经网络鉴别模型,并对30个预测样本进行预测。结果表明,在阈值设定为±0.1的情况下,该模型对预测集样本品牌鉴别准确率达到了100%。所以应用近红外光谱技术结合主成分分析和BP神经网络算法识别沙棘汁品牌是一种有效的方法。

该程序使用 PCA 从人脸数据库中识别人脸。 将主成分投影到特征空间以找到特征脸，并从投影到所有脸类的最小欧几里得距离中识别未知脸。

机器学习之主成分分析PCA,