神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式范文第1篇

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò)；免疫遺傳算法；模擬退火算法；線損

中圖分類號：TM744 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2013）11-0000-00

線損是考核電力網(wǎng)運(yùn)行部門一個重要經(jīng)濟(jì)指標(biāo)，是電力網(wǎng)供售電過程中損失的電量。線損是技術(shù)線損與管理線損之和。對于技術(shù)線損則應(yīng)控制在合理的范圍以內(nèi)，而管理線損要盡力減到最少。線損理論計算得到的電力網(wǎng)技術(shù)線損數(shù)值是電力網(wǎng)線損分析和指導(dǎo)降損的科學(xué)依據(jù)。線損計算是節(jié)能管理的重要工作。本文主要討論BP神經(jīng)網(wǎng)絡(luò)算法在配網(wǎng)線損計算中的應(yīng)用。

1 配網(wǎng)線損的計算方法

整個電力網(wǎng)電能損耗計算可以分解為如下元件的電能損耗計算，即35 kV及以上電力網(wǎng)為35 kV及以上交流線路及變壓器的電能損耗計算；20 kV配電網(wǎng)為20 kV交流線路及公用配電變壓器的電能損耗計算；10 kV配電網(wǎng)為10 kV交流線路及公用配電變壓器的電能損耗計算；6 kV配電網(wǎng)為6 kV交流線路及公用配電變壓器的電能損耗計算；0.4 kV低壓網(wǎng)為0.4 kV及以下電力網(wǎng)的電能損耗計算；其它交流元件為并聯(lián)電容器，并聯(lián)電抗器，調(diào)相機(jī)，電壓互感器，站用變等；高壓直流輸電系統(tǒng)：直流線路，接地極系統(tǒng)，換流站（換流變壓器、換流閥、交流濾波器、平波電抗器、直流濾波器、并聯(lián)電抗器、并聯(lián)電容器和站用變壓器）。

目前已有不少計算線損的方法，日均方根電流法應(yīng)用較多，但它只是對35 kV及以上電壓的輸電網(wǎng)絡(luò)比較適用，而對于35 kV以下的配電網(wǎng)，因?yàn)榫€段數(shù)、分支線路、配電變壓器數(shù)量較多，使得其等值電路的節(jié)點(diǎn)數(shù)和元件數(shù)大大增加，需要花費(fèi)大量的人、物力計算所需的運(yùn)行資料，因此在實(shí)際應(yīng)用中日均方根電流方法難以通用?；貧w分析方法在配網(wǎng)線損計算中也有較為廣泛的應(yīng)用，但該方法難于確定回歸方程，對不同配網(wǎng)結(jié)構(gòu)不具通用性，計算結(jié)果準(zhǔn)確度不高。近年來，神經(jīng)網(wǎng)絡(luò)理論的發(fā)展與應(yīng)用為配網(wǎng)理論線損計算提供了新的思路。

2 BP神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體所作出的交互反應(yīng)。人工神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、良好的容錯性和非線性逼近能力，受到學(xué)界的關(guān)注。實(shí)際應(yīng)用領(lǐng)域中，百分之八十至九十的人工神經(jīng)網(wǎng)絡(luò)模型采用了誤差反傳算法或者為其變化形式的網(wǎng)絡(luò)模型，在這里簡稱為BP網(wǎng)絡(luò)，BP網(wǎng)絡(luò)目前主要應(yīng)用在模式識別、分類、函數(shù)逼近和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘等方面。

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，由信息正向傳播及誤差反向傳播兩個過程構(gòu)成，即誤差反向傳播算法的學(xué)習(xí)過程。輸入層的每個神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層的每個神經(jīng)元；中間層是內(nèi)部信息的處理層，負(fù)責(zé)信息變換；最后一個隱層傳遞到

輸出層各神經(jīng)元的信息成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；當(dāng)輸出層的實(shí)際輸出與期望輸出不符時，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP神經(jīng)網(wǎng)絡(luò)模型包括其輸入輸出模型、誤差計算模型、作用函數(shù)模型和自學(xué)習(xí)模型。

2.1 作用函數(shù)模型

作用函數(shù)是反映下層輸入對上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)，一般取為（0，1）內(nèi)連續(xù)取值Sigmoid函數(shù)，即為：f（x）=1/（1+e）。

2.2 節(jié)點(diǎn)輸出模型

隱節(jié)點(diǎn)輸出模型為Oj=f（∑Wij×Xi-qj），輸出節(jié)點(diǎn)輸出模型為Yk=f（∑Tjk×Oj-qk），其中f為非線形作用函數(shù)；q為神經(jīng)單元閾值。

2.3 誤差計算模型

誤差計算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù)：

Ep=1/2×∑（tpi-Opi） ，其中tpi-i節(jié)點(diǎn)的期望輸出值；Opi-i節(jié)點(diǎn)計算輸出值。

2.4 自學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，即連接上層節(jié)點(diǎn)之間和下層節(jié)點(diǎn)的權(quán)重矩陣Wij的設(shè)定和誤差修正過程。BP網(wǎng)絡(luò)有師學(xué)習(xí)方式（即需要設(shè)定期望值）和無師學(xué)習(xí)方式（即只需輸入模式）之分。自學(xué)習(xí)模型為Wij（n+1）=h×Фi×Oj+a×Wij（n），其中h為學(xué)習(xí)因子；Фi為輸出節(jié)點(diǎn)i的計算誤差；Oj為輸出節(jié)點(diǎn)j的計算輸出；a為動量因子。

神經(jīng)網(wǎng)絡(luò)可以用作分類、聚類、預(yù)測等。神經(jīng)網(wǎng)絡(luò)需要有一定量的歷史數(shù)據(jù)，通過歷史數(shù)據(jù)的訓(xùn)練，網(wǎng)絡(luò)可以學(xué)習(xí)到數(shù)據(jù)中隱含的知識。

3 BP神經(jīng)網(wǎng)絡(luò)算法在配網(wǎng)線損計算中的應(yīng)用

基于免疫遺傳算法（IGA）的BP神經(jīng)網(wǎng)絡(luò)方法計算的理論線損是在遺傳算法（GA）的基礎(chǔ)上引入生物免疫系統(tǒng)中的多樣性保持機(jī)制和抗體濃度調(diào)節(jié)機(jī)制，有效地克服了GA算法的搜索效率低、個體多樣性差及早熟現(xiàn)象，提高了算法的收斂性能。為了解決BP神經(jīng)網(wǎng)絡(luò)權(quán)值隨機(jī)初始化帶來的問題，用多樣性模擬退火算法（sAND）進(jìn)行神經(jīng)網(wǎng)絡(luò)權(quán)值初始化，該算法設(shè)計的BP神經(jīng)網(wǎng)絡(luò)比混合遺傳算法有更快收斂速度及較強(qiáng)的全局收斂性能，其準(zhǔn)確度優(yōu)于現(xiàn)有其它計算配電網(wǎng)理論線損的方法，預(yù)測精度在原有算法基礎(chǔ)上有一定的提高，理論線損的計算結(jié)果與實(shí)際更加一致。改進(jìn)后的算法核心是運(yùn)用了神經(jīng)網(wǎng)絡(luò)的現(xiàn)有理論和結(jié)構(gòu)，借鑒了免疫學(xué)原理和相關(guān)特性，定義了基于免疫學(xué)的基本運(yùn)算規(guī)則和運(yùn)算單元，用遺傳算法實(shí)現(xiàn)了個體群在群體收斂性和個體多樣性之間動態(tài)平衡的調(diào)整。

4 小結(jié)

配電網(wǎng)線損是電力工業(yè)中一個重要的技術(shù)經(jīng)濟(jì)指標(biāo)，準(zhǔn)確簡便的線損計算對于電力網(wǎng)絡(luò)優(yōu)化設(shè)計、提高電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性、安全性及供電質(zhì)量具有很強(qiáng)的導(dǎo)向作用。BP神經(jīng)網(wǎng)絡(luò)算法有更快收斂速度及較強(qiáng)的全局收斂性能，其準(zhǔn)確度優(yōu)于現(xiàn)有其它計算配電網(wǎng)理論線損的方法，使得理論線損理論計算與實(shí)際更逼近。

參考文獻(xiàn)

[1]李秀卿，汪海，許傳偉，等.基于免疫遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)配電網(wǎng)網(wǎng)損計算[J].電力系統(tǒng)保護(hù)與控制，2009，37（11）.

[2]甘德強(qiáng)，王錫凡，王小路.電力系統(tǒng)概率暫態(tài)穩(wěn)定性的分析[J].中國電力，1994，27（4）：32，35.

[3]張健，劉懷東.輸電線路概率安全性測度研究[J].電力系統(tǒng)及其自動化學(xué)報，2003，12：34，36.

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式范文第2篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 油氣層識別 進(jìn)展

油氣勘探具有高投入、高風(fēng)險的特點(diǎn)，如何利用現(xiàn)有勘探資料，采取切實(shí)可行的技術(shù)方法，增強(qiáng)測試層位的可靠性和準(zhǔn)確性，對于擴(kuò)大油氣儲量及提高已發(fā)現(xiàn)油氣藏的勘探價值具有重要意義。首先精確地判識油氣層位，可以大大減少試油成本及減少投資損失。其次對于新的勘探區(qū)域，如能準(zhǔn)確地判識出油氣層，則有助于新的油氣藏的發(fā)現(xiàn)。因此，對儲層進(jìn)行識別和預(yù)測，有著巨大的社會效益和經(jīng)濟(jì)效益。

油氣層綜合解釋的任務(wù)是要判斷儲層中所含流體的性質(zhì)，從而為準(zhǔn)確地發(fā)現(xiàn)油氣層和確定試油層位提供依據(jù)。目前油田常用的解釋方法主要有定性解釋法和交匯圖法，其前者不足是受人為因素影響較大，自動化、系統(tǒng)化程度較低；而后者在解釋時只能對參數(shù)成對考慮，無法同時綜合多個有效參數(shù)。鑒于上述方法的諸多不足，近年來用人工神經(jīng)網(wǎng)絡(luò)對儲層進(jìn)行識別與評價成為研究及應(yīng)用的較為廣泛的方法。

1、概述

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力。它模擬人腦的結(jié)構(gòu)，通過對外界事物的感知及認(rèn)識實(shí)現(xiàn)其判別過程，如加利福尼亞技術(shù)學(xué)院J．J．Hopfield提出的Hopfield網(wǎng)絡(luò)用于地震模式識別油氣層系統(tǒng)。

用從有噪聲干擾的模擬地震記錄中檢測亮點(diǎn)模式，識別能力是十分驚人的。Poultion M．M等人在給定油氣層的電磁橢圓圖像情況下，用神經(jīng)網(wǎng)絡(luò)方法來估算良導(dǎo)體的位置、深度和導(dǎo)電率與面積乘積，效果也是很好的。

模糊識別的優(yōu)點(diǎn)： ①利用測井多參數(shù)模糊識別儲層時，各測井參數(shù)反映儲層類型所包含的信息不同，因此綜合儲層模糊隸屬度中各參數(shù)所加權(quán)值應(yīng)根據(jù)曲線對模式識別貢獻(xiàn)的大小來確定。②模糊識別方法是一種多參數(shù)的模式識別方法，具有思想簡單、計算速度快、模式識別符合率較高等優(yōu)點(diǎn)。缺點(diǎn)：建模過程中需要較多的建模樣本，對于井資料較少的井不容易識別。目前在油氣層識別中的應(yīng)用比較普遍的神經(jīng)網(wǎng)絡(luò)方法有以下幾種：

2、結(jié)構(gòu)風(fēng)險最小神經(jīng)網(wǎng)絡(luò)油氣識別理論

中國科學(xué)院地質(zhì)與地球物理研究所張向君在深入研究了神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理信息的能力之后，針對神經(jīng)網(wǎng)絡(luò)油氣識別中網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、提高識別結(jié)果準(zhǔn)確性等問題，提出了結(jié)構(gòu)風(fēng)險最小神經(jīng)元網(wǎng)絡(luò)方法，在理論上提出了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計方法即網(wǎng)絡(luò)“修剪"方法，該方法要求首先訓(xùn)練一個大的網(wǎng)絡(luò)，然后逐漸去掉隱層中多余的節(jié)點(diǎn)：Waug和Massimo等的研究結(jié)果表示：含有一個隱層的位置、深度和導(dǎo)電率與面積乘積，效果也是很好的。

Hashem和Schmeiser為提高網(wǎng)絡(luò)訓(xùn)練精度，提出一優(yōu)化組合方法，即對一訓(xùn)練樣本分別獨(dú)立地用若干網(wǎng)絡(luò)訓(xùn)練，然后通過對已訓(xùn)練網(wǎng)絡(luò)的輸出加權(quán)合并，將各個獨(dú)立的部分網(wǎng)絡(luò)組合在一起；Jacobs和Jordan發(fā)展了一種分級混合結(jié)構(gòu)網(wǎng)絡(luò)，它首先將一個復(fù)雜問題分解成各種簡單問題，再對每一個簡單的問題分別由一個網(wǎng)絡(luò)單獨(dú)處理，最后再將各個網(wǎng)絡(luò)組合在一起解決整體復(fù)雜問題。結(jié)構(gòu)風(fēng)險最小神經(jīng)元網(wǎng)絡(luò)運(yùn)用串行訓(xùn)練算法能自適應(yīng)地擴(kuò)展網(wǎng)絡(luò)容量并使網(wǎng)絡(luò)的結(jié)構(gòu)風(fēng)險達(dá)到最小，提高了儲層識別結(jié)果的準(zhǔn)確性。研究表明，訓(xùn)練樣本一定時，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越簡單，其風(fēng)險越小，識別結(jié)果愈可靠，并且使神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)風(fēng)險達(dá)到最小。

3、時間延遲神經(jīng)網(wǎng)絡(luò)地震油氣識別方法

江漢石油學(xué)院劉瑞林等人在研究了目前已發(fā)展的幾種地震資料油氣識別技術(shù)后認(rèn)為通常采用孤立模式分類方法一般先根據(jù)目的層的位置選取一個包含目的層的時窗，接著對這個時窗內(nèi)的地震信號進(jìn)行特征提取，然后對這些特征信息用相應(yīng)的分類方法進(jìn)行分類。特征信息與地層含油氣情況的關(guān)系是靜態(tài)的映射關(guān)系，方法本身沒有考慮特征信息隨時間的變化與地層油氣聚集的聯(lián)系，容易產(chǎn)生誤識問題。針對以上現(xiàn)象提出了時間延遲神經(jīng)網(wǎng)絡(luò)地震油氣識別方法即采用滑動時窗的辦法進(jìn)行多時窗特征提取，以表達(dá)特征信息隨時間的變化，亦即地層層序等因素的變化。時間延遲神經(jīng)網(wǎng)絡(luò)模型通過井旁道的標(biāo)定，對于每一道就有一個多維特征串，這些特征串與地層含油氣與否的關(guān)系通過一個時間延遲神經(jīng)網(wǎng)絡(luò)(TDNN)模型聯(lián)系起來，用于表達(dá)相應(yīng)時窗特征信息與地層含油氣性的關(guān)系。時間延遲網(wǎng)絡(luò)進(jìn)行油氣識別時增加了層序的約束，對于地震油氣識別來說是一種合理的方法。

4、前饋式(Back Propagation)神經(jīng)網(wǎng)絡(luò)

簡稱BP神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用最廣泛、研究最深入的一種多層前饋神經(jīng)網(wǎng)絡(luò)。該種網(wǎng)絡(luò)采用有導(dǎo)師監(jiān)督的學(xué)習(xí)方式和廣義的Delta學(xué)習(xí)規(guī)則，即誤差反傳播算法，對非線性可微分函數(shù)進(jìn)行網(wǎng)絡(luò)權(quán)值訓(xùn)練。它經(jīng)常使用的激活函數(shù)是S型對數(shù)或正切函數(shù)以及線性函數(shù)。BP算法是一種監(jiān)督式的學(xué)習(xí)算法，它是通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向計算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的。它由信息的正向傳遞和誤差的反向傳播兩部分組成。在第一階段，即信息的正向傳遞階段，給出輸入信息，通過神經(jīng)網(wǎng)絡(luò)處理并計算每個神經(jīng)元的實(shí)際輸出值；在第二階段，即誤差反向傳播階段，網(wǎng)絡(luò)在輸出層比較網(wǎng)絡(luò)輸出與目標(biāo)值，若未能得到期望的輸出值，則逐層遞歸計算目標(biāo)值與期望輸出之差(即誤差)，以此為根據(jù)調(diào)節(jié)權(quán)值。上述兩個過程反復(fù)進(jìn)行，直到網(wǎng)絡(luò)輸出與目標(biāo)匹配或誤差達(dá)到人們所希望的要求為止。

5、自組織特征映射(seIf-organiZingfeaturemap)SOM神經(jīng)網(wǎng)絡(luò)

自組織特征映射網(wǎng)絡(luò)是一種競爭式學(xué)習(xí)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)采用無導(dǎo)師監(jiān)督的學(xué)習(xí)方式，以基本競爭網(wǎng)絡(luò)算法為基礎(chǔ)，通過網(wǎng)絡(luò)中鄰近神經(jīng)元陽J的側(cè)向交互作用和相互競爭。在一維或二維輸出空間中形成輸入信號的特征分布拓?fù)鋱D，自適應(yīng)的形成對輸入模式的不同響應(yīng)，以完成對輸入信號的特征提取功能。SOM模型是由輸入層和輸出層(競爭層)組成的兩層網(wǎng)絡(luò)。網(wǎng)絡(luò)中的權(quán)分為兩類：一類是層與層之間的權(quán)；另一類是層內(nèi)互相抑制的權(quán)。一般來講，它們是固定的，如果滿足一定的分布關(guān)系，距離近的抑制強(qiáng)，距離遠(yuǎn)的抑制弱，它是一種對稱權(quán)。SOM網(wǎng)絡(luò)將學(xué)習(xí)過程分成兩部分來進(jìn)行：一是選擇最佳匹配神經(jīng)元，二是權(quán)向量的自適應(yīng)更新過程。SOM模擬了大腦信息處理的自組織、自學(xué)習(xí)和聚類功能，并以其高強(qiáng)度的特征判別優(yōu)點(diǎn)在許多領(lǐng)域得到了廣泛應(yīng)用。

6、改進(jìn)的組合進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)

成都理工大學(xué)張學(xué)慶等針對使用神經(jīng)網(wǎng)絡(luò)進(jìn)行計算的過程中，神經(jīng)網(wǎng)絡(luò)的收斂速度慢、容錯能力差、算法不完備等缺點(diǎn)。在充分分析了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)的全局搜索能力，基于進(jìn)化規(guī)劃的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)的局部尋優(yōu)能力的特點(diǎn)后，將組合進(jìn)化算法應(yīng)用于油水層測井解釋中，降低了誤判率。

組合進(jìn)化算法的過程如下：設(shè)立一個競爭池，將所有父代個體放入池中，然后進(jìn)行雜交和變異操作，并用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將產(chǎn)生的個體也放入競爭池，對競爭池中的個體按適應(yīng)值進(jìn)行排序，進(jìn)行確定性選擇，保留最好的前n個個體。這樣就完成了一次種群進(jìn)化，重復(fù)這一過程，直到滿足條件為止。改進(jìn)的組合進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)具有遺傳算法的較強(qiáng)的全局搜索能力和進(jìn)化規(guī)劃的較強(qiáng)的局部尋優(yōu)能力，應(yīng)用于油氣水層測井解釋中，效果好。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式范文第3篇

關(guān)鍵詞：人工神經(jīng)元網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；matlab；識別分類

中圖分類號：TP391.41文獻(xiàn)標(biāo)識碼：A文章編號：1007-9599 (2010) 16-0000-02

Artificial Neural Network Application on Face Classification

Liang Xiaoli

(Heilongjiang Radio&TV University,Harbin150080,China)

Abstract:In the face recognition technology is developing continuously,people not limited to recognize the human face,but the main emphasis on the accuracy and efficiency of face recognition.

Face recognition is divided into three steps,face detection,feature extraction,recognition category,identification and classification of the methods in which the decision of whether to correctly identify the human face.BP neural network with forward propagation and back propagation characteristics,so as to ensure the accuracy of classif-

ication,Therefore,the main author of this article how to MATLAB,the BP neural network used in face recognition classification.

Keywords:Artificial neural network;BP neural network;Matlab;

Recognition category

人工神經(jīng)元網(wǎng)絡(luò)，又稱為神經(jīng)元網(wǎng)絡(luò)，它是對人腦的簡化、抽象和模擬，反映了人腦的基本特性神經(jīng)元網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)研究的是模擬人腦信息處理的功能，從人腦的生理結(jié)構(gòu)出發(fā)來研究人的智能行為。是依托于數(shù)學(xué)、神經(jīng)科學(xué)、物理學(xué)、計算機(jī)科學(xué)及工程等學(xué)科的一種綜合性技術(shù)。

一、人工神經(jīng)網(wǎng)絡(luò)的分類

我們可以對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行如下分類：

（一）單層的前向神經(jīng)網(wǎng)絡(luò)

這里所說的單層前向網(wǎng)絡(luò)是指擁有單層的神經(jīng)元是，作為源節(jié)點(diǎn)個數(shù)的“輸入層”被看作是一層神經(jīng)元，“輸入層”是不具有計算功能。

（二）多層的前向神經(jīng)網(wǎng)絡(luò)

多層前向神經(jīng)網(wǎng)絡(luò)與單層前向神經(jīng)網(wǎng)絡(luò)的差別在于：多層的前向神經(jīng)網(wǎng)絡(luò)和單層前向神經(jīng)網(wǎng)絡(luò)的隱含層個數(shù)不同，在多層的前向神經(jīng)網(wǎng)絡(luò)中完成計算功能的節(jié)點(diǎn)被稱為隱含單元（隱含神經(jīng)元）。由于隱層的數(shù)量不同，使網(wǎng)絡(luò)能進(jìn)行更高序的統(tǒng)計，尤其當(dāng)輸入層規(guī)模龐大時，隱層神經(jīng)元提取高序統(tǒng)計數(shù)據(jù)的能力便顯得非常重要。

（三）反饋網(wǎng)絡(luò)

反饋網(wǎng)絡(luò)指在網(wǎng)絡(luò)中最少含有一個反饋回路的神經(jīng)網(wǎng)絡(luò)。反饋網(wǎng)絡(luò)中包含一個單層神經(jīng)元，在這一層中的所有的神經(jīng)元將自身的輸出信號反饋給其他所有神經(jīng)元作為輸入。

（四）隨機(jī)神經(jīng)網(wǎng)絡(luò)

隨機(jī)神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)中引入了隨機(jī)概念，每個神經(jīng)元都是按照概率的原理在工作，這樣每個神經(jīng)元興奮或抑制具有隨機(jī)性，其概率取決于神經(jīng)元的輸入值。

（五）競爭神經(jīng)網(wǎng)絡(luò)

競爭神經(jīng)網(wǎng)絡(luò)最顯著的特點(diǎn)是它的輸出神經(jīng)元之間相互競爭以確定勝出者，勝出者指出哪一種原型模式最能代表輸入模式。

二、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)又被稱為訓(xùn)練，所指的是通過神經(jīng)網(wǎng)絡(luò)所在外界環(huán)境的刺激下調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)，使得神經(jīng)網(wǎng)絡(luò)以一種調(diào)整好的方式對外部環(huán)境做出反應(yīng)的過程。從環(huán)境中學(xué)習(xí)和在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的特征了。

學(xué)習(xí)方式可分為：有師學(xué)習(xí)和無師學(xué)習(xí)。有師學(xué)習(xí)又稱為有監(jiān)督學(xué)習(xí)，在學(xué)習(xí)時需要給出指導(dǎo)信號（又可稱為期望輸出或者響應(yīng)）。神經(jīng)網(wǎng)絡(luò)對外部環(huán)境是未知的，但可以將指導(dǎo)信號看作對外部環(huán)境的了解，由輸入―輸出樣本集合來表示。指導(dǎo)信號或期望輸出代表了神經(jīng)網(wǎng)絡(luò)執(zhí)行情況的最佳結(jié)果，即對于網(wǎng)絡(luò)輸入調(diào)整網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)輸出逼近期望的輸出值。無師學(xué)習(xí)包括強(qiáng)化學(xué)習(xí)與無監(jiān)督學(xué)習(xí)（可以被稱為自組織學(xué)習(xí)）。在強(qiáng)化學(xué)習(xí)中，對輸出的學(xué)習(xí)是通過與外界環(huán)境的連續(xù)作用最小化完成的。

三、BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，就是指包含信息正向傳播和誤差反向傳播算法的學(xué)習(xí)過程。輸入層的每一個神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層中的每一個神經(jīng)元；中間層的各個神經(jīng)元是內(nèi)部信息處理層，負(fù)責(zé)信息變換，可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后隱含層傳遞到輸出層的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不相符時，進(jìn)入誤差的反向傳播階段。誤差通過輸出層作用于輸入層，按誤差梯度下降的方式分別修正各層權(quán)值，逐漸向隱含層和輸入層反傳。多次的經(jīng)過信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也就是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)的輸出誤差減少到可以被接受的程度，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)才會停止。

四、實(shí)驗(yàn)過程及結(jié)果

本文中假設(shè)已經(jīng)用奇異值分解得到人臉特征點(diǎn)的數(shù)據(jù)，每個人臉劃分為五部分，每部分又得到5個特征值，所以也就是25個的特征值。本文采集了50個人人臉，每人采集10張不同姿態(tài)下的照片，也就是500張照片，對這些照片進(jìn)行人臉檢測并進(jìn)行奇異值分解，得到每張照片對應(yīng)的25個特征值，從每人10張照片中隨機(jī)抽出5張用于訓(xùn)練出不同的姿態(tài)下的人臉，另外的5張用作測試樣本。

（一）實(shí)驗(yàn)過程

由于數(shù)據(jù)過長，本文只以2個人，每人2張照片作為的訓(xùn)練樣本數(shù)據(jù)為例來說明。

第一步：訓(xùn)練樣本（每人25個特征值），在p是一個25行，4列的矩陣，每一列代表一個人的25個特征值，屬于一個樣本；列數(shù)4表示樣本總數(shù)；

p=[ 7.4264 9.0728 7.9825 9.5632；

7.5719 7.8115 6.5564 7.8561；

12.8074 12.7073 12.4536 11.5423；

9.0284 10.3744 8.7569 9.9965；

7.0083 9.0284 7.1254 8.8876；

1.2597 2.1578 1.3556 3.0112；

0.6896 0.7835 0.7859 0.9658；

0.7814 0.8818 0.7568 0.8213；

1.0248 1.6783 1.1542 1.5234；

1.0112 1.0248 0.9568 0.9652；

1.0427 1.0813 1.0425 0.9568；

0.5970 0.5886 0.5968 0.5889；

0.4928 0.5969 0.3569 0.6012；

0.6438 0.6417 0.6589 0.5612；

0.3563 0.6438 0.2534 0.6689；

0.4474 0.4235 0.4568 0.4236；

0.2483 0.2282 0.2253 0.2259；

0.3633 0.4616 0.3102 0.4556；

0.3383 0.4167 0.3561 0.3456；

0.3130 0.3383 0.3302 0.3359；

0.3378 0.3313 0.3219 0.3569；

0.1916 0.1767 0.1564 0.1952；

0.2356 0.3422 0.2355 0.3012；

0.2088 0.3268 0.1958 0.3568；

0.1858 0.2088 0.0956 0.1968；]；

第二步：目標(biāo)輸出矩陣

因?yàn)榫蛢蓚€人，所以采用一位二進(jìn)制編碼就可以，在這里定義第一類樣本的編碼為0；第二類樣本的輸出編碼為1。

t=[0 1 0 1]；

第三步：使用MATLAB建立網(wǎng)絡(luò)結(jié)構(gòu)

net1=newff（minmax（p），[25，9，1]，{'tansig'，'tansig'，'hardlim'}，'traingdm'）；

說明：[25，10，1]表示該網(wǎng)絡(luò)的輸入結(jié)點(diǎn)為25個值，輸出結(jié)果為1為二進(jìn)制編碼的值，中間層由經(jīng)驗(yàn)公式 （rnd為0-1之間的隨機(jī)數(shù)），所以本文選取5-15之間數(shù)分別作為隱含層的神經(jīng)元個數(shù)，得出的結(jié)論是9的收斂速度最快。

第四步：對網(wǎng)絡(luò)進(jìn)行訓(xùn)練

[net1，tr]=train（net1，p，t）；

第五步：保存網(wǎng)絡(luò)

save aa net1

則文件會以aa.mat的格式保存，保存了訓(xùn)練好的網(wǎng)絡(luò)以及權(quán)值。

第六步：輸入測試樣本

先加載上一步中保存好的網(wǎng)絡(luò)，本實(shí)驗(yàn)中只輸入一個測試樣本，下面的數(shù)據(jù)代表測試樣本的特征值，共25個。

load aa.mat

p1=[7.8115；0.7835；0.5886；0.2282；0.1767；1.0197；0.7896；0.6814；1.1238；1.1114；0.9427；0.5970；0.4569；0.5438；0.4563；0.1983；0.4632；0.3383；0.3130；0.4377；0.1817；0.2256；0.2088；0.2854；0.2812]；

第六步：網(wǎng)絡(luò)仿真

a=hardlim（sim（net1，p1）-0.5）

（二）實(shí)驗(yàn)結(jié)果

根據(jù)上述實(shí)驗(yàn)過程，得出的結(jié)果是：

下圖是執(zhí)行了10次中的一次算法模擬情況。

Elapsed time is 0.469seconds

網(wǎng)絡(luò)仿真的輸出結(jié)果是：a=0

本文中測試的數(shù)據(jù)來源于訓(xùn)練樣本中輸出為0的樣本，識別結(jié)果正確。換了10個測試樣本，其中識別正確的是6個，也就是正確率大約在60%。

然后，采用相同的辦法，在實(shí)驗(yàn)中把訓(xùn)練樣本由每人兩個不同姿態(tài)下的樣本增加到了3個，也就是輸入向量的p由4列增加到6列，其他的均不變，網(wǎng)絡(luò)的訓(xùn)練時間為0.471 seconds。還是使用上面的10個測試樣本，其中識別正確的達(dá)到了8個，正確率提高到了80%左右。

在樣本量擴(kuò)大到250時，這些樣本是來自于，50個人，每人拍攝10張不同姿態(tài)下的照片，也就是500張，然后從其中隨機(jī)的取出每個人對應(yīng)的5張照片作為訓(xùn)練樣本，然后再把從剩余的250張作為測試樣本，進(jìn)行測試。輸入結(jié)點(diǎn)數(shù)為250，每個結(jié)點(diǎn)對應(yīng)的特征向量為25；輸出值用二進(jìn)制的編碼表示，由于后面要實(shí)現(xiàn)的人臉識別系統(tǒng)中要應(yīng)用在一個只有50人的環(huán)境下，所以采用二進(jìn)制編碼6位就夠了，但是為了系統(tǒng)的可擴(kuò)展性，所以采用7位二進(jìn)制編碼來設(shè)計輸出結(jié)點(diǎn)的值，bp網(wǎng)絡(luò)就是25維輸出7維輸出。此時測試的250個數(shù)據(jù)中只有一組數(shù)據(jù)是錯誤的，原因是照片中的人嘴和鼻子被口罩遮住了。

樣本量增加后網(wǎng)絡(luò)訓(xùn)練到一個樣本測試仿真所有的時間是1.936seconds。

五、小結(jié)

本文介紹了基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別分類方法，先用matlab設(shè)計了一個模擬程序，然后不斷的增加訓(xùn)練樣本中同一人樣本的樣本數(shù)，訓(xùn)練后用10個人分別測試兩個網(wǎng)絡(luò)的正確率，當(dāng)同一人的樣本數(shù)增加到3時，正確率由60%提高到了80%。可以證明網(wǎng)絡(luò)訓(xùn)練樣本的增加有利于提高識別的正確率。把在上一章中采集到的50個人所對應(yīng)的500張照片作為標(biāo)準(zhǔn)樣本庫，從中隨機(jī)取出250張作為訓(xùn)練樣本，然后設(shè)定輸出值，輸出的值應(yīng)該有50類，采用二進(jìn)制的編碼構(gòu)成，然后再實(shí)用剩余的250張照片作為測試樣本，進(jìn)行測試。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式范文第4篇

關(guān)鍵詞：神經(jīng)網(wǎng)格 油藏描述 級聯(lián)算法

引言

目前，由于易于尋找油氣藏的減少，油氣資源勘探已趨向巖性、地層等隱蔽油氣藏方向，油藏描述方法技術(shù)就成為油氣資源勘探開發(fā)工程中必不可少的核心技術(shù)之一，而油藏參數(shù)的分析和預(yù)測是油藏描述的最重要方面。比較準(zhǔn)確的、精細(xì)的油藏參數(shù)預(yù)測無疑能夠回答勘探實(shí)踐中的一些重要問題。

級聯(lián)算法就是一種典型的構(gòu)造性神經(jīng)網(wǎng)絡(luò)。運(yùn)用級聯(lián)算法，對油藏各參數(shù)進(jìn)行分析、抽象，可以最大限度地把地下油藏的三維特征描述清楚，而且更重要的是利用較少的資料能較準(zhǔn)確地預(yù)測出地下油藏的滲透率、飽和度和孔隙度，能夠比較準(zhǔn)確地描述出各種開發(fā)屬性三維空間的具體細(xì)節(jié)。因此本文將探索的利用構(gòu)造性神經(jīng)網(wǎng)絡(luò)預(yù)測油藏參數(shù)是很有意義的。

關(guān)于神經(jīng)網(wǎng)絡(luò)自學(xué)技術(shù)應(yīng)用于“油藏參數(shù)的預(yù)測”的意義

1.油藏描述技術(shù)

油藏描述是以石油地質(zhì)學(xué)、沉積學(xué)、地震地層學(xué)和測井地質(zhì)學(xué)為基礎(chǔ)，以數(shù)學(xué)地質(zhì)學(xué)和計算機(jī)自動繪圖技術(shù)為手段，最大限度地利用地震、鉆井、測井、試油和分析化驗(yàn)等資料，對油藏進(jìn)行綜合研究和描述的新技術(shù)。它表現(xiàn)出了以下重要的特點(diǎn):

(1)階段性:油藏描述貫穿于勘探開發(fā)的全過程，從第一口發(fā)現(xiàn)井到油田最后廢棄為止，多次分階段滾動進(jìn)行。

(2)先進(jìn)性:現(xiàn)代油藏描述盡量采用各種先進(jìn)實(shí)用的科學(xué)技術(shù)和方法，如現(xiàn)代數(shù)學(xué)方法和理論的大量應(yīng)用，包括地質(zhì)統(tǒng)計學(xué)及隨機(jī)模擬、模式識別、模糊數(shù)學(xué)、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、分形幾何等。

(3)早入性:油藏描述應(yīng)從油田第一口發(fā)現(xiàn)井開始就開展工作。油田發(fā)現(xiàn)后，開發(fā)工作人員介入得越早，油藏描述工作開始得越早越好。

為了把油藏描述的結(jié)果準(zhǔn)確、詳細(xì)、直觀地表達(dá)出來，應(yīng)在石油勘探開發(fā)中進(jìn)行科學(xué)的管理和決策。油藏參數(shù)是一些很重要的指標(biāo)，因此油藏參數(shù)的預(yù)測是否準(zhǔn)確，繪出的圖樣是否合理，直接影響到油藏描述的效果?！吧窠?jīng)網(wǎng)絡(luò)自學(xué)技術(shù)”就是以重點(diǎn)對油藏參數(shù)進(jìn)行分析、預(yù)測，增強(qiáng)了油藏描述技術(shù)的可靠性。

2.推出神經(jīng)網(wǎng)絡(luò)自學(xué)技術(shù)的工作機(jī)制

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，其具體步驟為：

(1)初始化。確定神經(jīng)元的轉(zhuǎn)換函數(shù)(通常取為Sigmoid函數(shù))，給定精度控制參數(shù)ε(ε＞0)，學(xué)習(xí)率L及動量系數(shù)。

(2)計算網(wǎng)絡(luò)輸出y 。

(3)計算誤差函數(shù)E，如果E＜ε轉(zhuǎn)(5)，否則轉(zhuǎn)(4)。

(4)調(diào)整輸出層和隱層的權(quán)值，轉(zhuǎn)(2)。

(5)存儲最優(yōu)權(quán)值W ，算法結(jié)束。

這里需要注意的是權(quán)值調(diào)整是在誤差向后傳播過程中逐層進(jìn)行的，當(dāng)網(wǎng)絡(luò)的所有權(quán)都被更新一次后，我們說網(wǎng)絡(luò)經(jīng)過了一個學(xué)習(xí)周期。

網(wǎng)絡(luò)經(jīng)過若干次訓(xùn)練（迭代）后，得到了網(wǎng)絡(luò)的最優(yōu)權(quán)值W 。

本文所采用的構(gòu)造性學(xué)習(xí)算法――CC算法是一種監(jiān)督學(xué)習(xí)方式，它融合了兩個觀點(diǎn)：第一個是重疊結(jié)構(gòu)，該結(jié)構(gòu)中我們每次只添加一個隱層單元，而且添加后都不改變；第二個是學(xué)習(xí)算法，它創(chuàng)造和裝載了新的隱層單元。對于每一個新隱層單元，該方法嘗試去最大化新單元輸出與網(wǎng)絡(luò)殘留誤差信號之間的聯(lián)系。其生長過程如下圖所示：

算法重復(fù)直到網(wǎng)絡(luò)的全體誤差小于某個給定值。

我們的目標(biāo)是訓(xùn)練輸出權(quán)重使平方和最小，即

3.神經(jīng)網(wǎng)絡(luò)自學(xué)技術(shù)的初步應(yīng)用

Rajesh Parekh、Jihoon Yang和Vasant Honavar三位研究了神經(jīng)網(wǎng)絡(luò)自學(xué)技術(shù)在模式識別方面的應(yīng)用，研究得到了美國科學(xué)基金、John Deere基金、美國安全局和IBM公司的支持。

該研究使用了幾十倍的交叉確認(rèn)方法。每一個數(shù)組都被分成10等份，而且對于每一個數(shù)組，每個方法的獨(dú)立運(yùn)行都是受控的。對于第i個運(yùn)動，第i個包是按照測試包來設(shè)計的，而剩余的9個包中的樣品被用來訓(xùn)練。在訓(xùn)練的最后，網(wǎng)絡(luò)的普遍性是在測試包上測試。單獨(dú)的TLU的是用熱感知器方法來訓(xùn)練的。每個神經(jīng)元的權(quán)值按一定間隔隨機(jī)地被初始化為一個新，以適應(yīng)在整個6個點(diǎn)中輸入到神經(jīng)元的平均網(wǎng)格。

圖2總結(jié)了實(shí)驗(yàn)的結(jié)果，該實(shí)驗(yàn)是設(shè)計來測試構(gòu)造性學(xué)習(xí)算法的收斂性。它列舉出了實(shí)驗(yàn)用的方法和網(wǎng)絡(luò)尺寸（隱藏和輸出神經(jīng)元的數(shù)目）的標(biāo)準(zhǔn)偏差、訓(xùn)練的精確度，以及建立在3個周期和電離層數(shù)組上的M Pyramid-real和M Tiling-real方法的測試精確度。為了區(qū)別，我們包含了運(yùn)用熱感知器方法訓(xùn)練單層網(wǎng)絡(luò)的結(jié)果。感知器方法在兩個數(shù)組的訓(xùn)練精確度都少100%（這鞏固了數(shù)組的非線性可分離性）。這些結(jié)果表明不僅僅構(gòu)造性算法訓(xùn)練集上收斂于0分類誤差，而且它們在未知數(shù)據(jù)上也可以清楚地推斷出來。

這樣在油藏描述中，我們在缺少單一資料的情況下也可以很準(zhǔn)確地得到油藏屬性值。比如在計算空隙度時缺少了一個單一的聲波時差，我們可以使用級聯(lián)算法，計算出空隙度。并且使用神經(jīng)網(wǎng)絡(luò)自學(xué)算法，可以更準(zhǔn)確地得到需要使用迭代方法得到的參數(shù)值。這樣得到的參數(shù)，使用計算機(jī)圖形庫，就可以很快地形成三維的地質(zhì)圖形，使得油藏描述更為精確。

對于神經(jīng)網(wǎng)絡(luò)自學(xué)技術(shù)未來的研究點(diǎn)如下：

1.預(yù)測構(gòu)造性學(xué)習(xí)算法的表現(xiàn)，

2.混合構(gòu)造性學(xué)習(xí)算法，

3.合并構(gòu)造性學(xué)習(xí)和特征選擇，

4.運(yùn)用助推和錯誤糾正輸出碼來改善普遍化，

5.從訓(xùn)練的構(gòu)造性神經(jīng)網(wǎng)絡(luò)的知識萃取。

結(jié)束語

為了把油藏描述的結(jié)果準(zhǔn)確、詳細(xì)、直觀地表達(dá)出來，應(yīng)在石油勘探開發(fā)中進(jìn)行科學(xué)的管理和決策。油藏參數(shù)是一些很重要的指標(biāo)，因此油藏參數(shù)的預(yù)測是否準(zhǔn)確，繪出的圖樣是否合理，直接影響到油藏描述的效果。本文采用“神經(jīng)網(wǎng)絡(luò)自學(xué)技術(shù)”就是以重點(diǎn)對油藏參數(shù)進(jìn)行分析、預(yù)測，增強(qiáng)了油藏描述技術(shù)的可靠性。運(yùn)用級聯(lián)算法，對油藏各參數(shù)進(jìn)行分析、抽象，可以最大限度地把地下油藏的三維特征描述清楚，而且更重要的是利用較少的資料能較準(zhǔn)確地預(yù)測出地下油藏的滲透率、飽和度和孔隙度，能夠比較準(zhǔn)確地描述出各種開發(fā)屬性三維空間的具體細(xì)節(jié)，可以更快、更準(zhǔn)確地得到結(jié)果，應(yīng)用更加方便。

參考文獻(xiàn)：

[1]鄔長武，于浩業(yè)，沈楠，尹東迎.神經(jīng)網(wǎng)絡(luò)在彩南油田油藏描述中的應(yīng)用.新疆石油地質(zhì)，2003年03期.

[2]謝叢姣，關(guān)振良，馬正.低滲油藏油層產(chǎn)出能力的神經(jīng)網(wǎng)絡(luò)預(yù)測方法.成都理工學(xué)院學(xué)報，1998年S1期.

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式范文第5篇

關(guān)鍵詞：自組織競爭網(wǎng)絡(luò)；測井資料巖性識別；MATLAB

中圖分類號：TE319 文獻(xiàn)標(biāo)識碼：A文章編號：1007-9599 (2011)05-0000-02

Application of Self-organization Competition Network in Log Data Lithological Identification

Zong Chunmei

(Xinzhou Teachers University,Xinzhou034000,China)

Abstract:Using self-organizing and self-learning ability of self-organizing neural network,analyze the impact factor to establish self-organizing competitive network model based on MATLAB.By comparing the two structures of basic competitive network and self-organizing competitive network to achieve lithology classification.Experimental results show that the use of self-organizing network model of competition test well lithology identification information is feasible,the correct rate,for the lithology of the research to identify new methods.

Keywords:Self-organizing competitive network;Log data lithology identification;MATLAB

一、引言

目前，巖性識別主要有以下幾種方法：(1)概率統(tǒng)計方法；(2)聚類分析方法；(3)人工神經(jīng)網(wǎng)絡(luò)方法。人工神經(jīng)網(wǎng)絡(luò)方法以其自身特有的樣本學(xué)習(xí)能力獲得識別模式，以與巖性相關(guān)的測井資料作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，已知巖性種類作為輸出總數(shù)。前兩種數(shù)理統(tǒng)計方法，兩者的差別只是參數(shù)選擇的要求不同。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自組織性、自適應(yīng)性、容錯性和推理思維能力，人們運(yùn)用神經(jīng)網(wǎng)絡(luò)在測井資料巖性識別領(lǐng)域做了大量的研究，取得良好效果。

二、自組織競爭神經(jīng)網(wǎng)絡(luò)原理

自組織競爭網(wǎng)絡(luò)是以無教師教學(xué)的方式進(jìn)行網(wǎng)絡(luò)訓(xùn)練，具有自組織功能，網(wǎng)絡(luò)通過自身訓(xùn)練，自動對輸入模式進(jìn)行分類，讓網(wǎng)絡(luò)競爭層中的各種神經(jīng)元通過競爭來獲取對輸入的響應(yīng)機(jī)會，最后僅剩一個神經(jīng)元成為競爭的獲勝者，并對那些與獲勝神經(jīng)元有關(guān)的各連接全部朝著更有利于它競爭的方向調(diào)整，這一獲勝神經(jīng)元的輸出則代表對輸入模式的分類，正是自組織競爭神經(jīng)網(wǎng)絡(luò)具有自組織能力、自適應(yīng)能力和較高的容錯能力的特點(diǎn)，為測井資料巖性識別提供了新的方法。在競爭層中，神經(jīng)元之間相互競爭，最終只有一個或者幾個神經(jīng)元獲勝，以適應(yīng)當(dāng)前的輸入樣本。競爭勝利的神經(jīng)元就代表著當(dāng)前輸入樣本的分類模式。

三、樣本數(shù)據(jù)的獲取

（一）樣本的選取

樣本包括樣本特征選取及樣本數(shù)目的確定。本文樣本源于北方某地區(qū)2004年的測井資料，該地區(qū)屬于碳酸鹽地層，因此需要判斷的巖性有三種，即泥巖、砂巖和石灰?guī)r。通過對已知井段測井?dāng)?shù)據(jù)進(jìn)行學(xué)習(xí)，來預(yù)測同一地區(qū)其他井段的巖性。

（二）樣本數(shù)據(jù)的預(yù)處理

測井資料的樣本數(shù)據(jù)中包含了影響巖性的5個重要因子，即補(bǔ)償中子空隙度CNL、補(bǔ)償密度曲線DEN、聲波時差DTC、自然伽瑪GR和微電阻率RT。歸一化后的數(shù)據(jù)如表3.1所示。

表3.1 歸一化后的巖性影響因子

序號 CNL DEN DEC GR GT 巖性

1 0.4036 0.4365 0.4860 0.5161 0.3419 泥巖

2 0.4154 0.4711 0.4639 0.4981 0.3806

3 0.5352 0.6408 0.6145 0.6299 0.7154 砂巖

4 0.5524 0.6528 0.6234 0.6715 0.7025

5 0.7709 0.7812 0.8204 0.8425 0.8622 石灰?guī)r

6 0.7589 0.7965 0.8125 0.8506 0.8709

四、測井巖性識別模型的建立

（一）測井巖性識別算法

應(yīng)用自組織競爭網(wǎng)絡(luò)進(jìn)行測井資料巖性識別，首先獲取樣本資料，即測井?dāng)?shù)據(jù)。在應(yīng)用自組織競爭人工神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行處理前，利用歸一化公式對所有測井?dāng)?shù)據(jù)進(jìn)行歸一化。利用自組織競爭網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)創(chuàng)建網(wǎng)絡(luò)。網(wǎng)絡(luò)創(chuàng)建好后需要對網(wǎng)絡(luò)進(jìn)行初始化，接著對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并設(shè)置訓(xùn)練次數(shù)，由于競爭型神經(jīng)網(wǎng)絡(luò)采用的是無教師學(xué)習(xí)方式，沒有期望輸出，所以訓(xùn)練過程中不需要設(shè)置判斷網(wǎng)絡(luò)訓(xùn)練是否結(jié)束的誤差項(xiàng)，只要設(shè)置網(wǎng)絡(luò)的訓(xùn)練次數(shù)就可以了，網(wǎng)絡(luò)訓(xùn)練完畢后，利用仿真函數(shù)檢驗(yàn)網(wǎng)絡(luò)對巖性模式的分類。利用函數(shù)vec2ind將數(shù)據(jù)串行化輸出，為了檢驗(yàn)網(wǎng)絡(luò)的分類性能可以采用同一地區(qū)的測試數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行測試，進(jìn)行巖性識別。如果巖性識別沒有成功，重新對網(wǎng)絡(luò)進(jìn)行初始化，重新對網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試。

（二）自組織競爭神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

自組織競爭網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)工具箱提供了大量的函數(shù)工具。自組織競爭網(wǎng)絡(luò)由輸入層和競爭層組成。用newc函數(shù)創(chuàng)建一個競爭層，構(gòu)建一個基本競爭型網(wǎng)絡(luò)。權(quán)值函數(shù)為negdist，輸入函數(shù)為netsum，初始化函數(shù)為midpoint或者initcon，訓(xùn)練函數(shù)或者自適應(yīng)函數(shù)為trains和trainr，學(xué)習(xí)函數(shù)為learnk或者learncon函數(shù)。函數(shù)返回值是一個新的競爭層。由于需要識別的類別數(shù)目是3，神經(jīng)元數(shù)目也設(shè)置為3，為了加快學(xué)習(xí)速度，將學(xué)習(xí)速率設(shè)置為0.1。用newsom函數(shù)創(chuàng)建一個自組織特征映射網(wǎng)絡(luò)。自組織特征映射網(wǎng)絡(luò)的輸入層中的每一個神經(jīng)元，通過權(quán)與輸出層中的每一個神經(jīng)元相連。構(gòu)成一個二維平面陣列或一個一維陣列。輸入層和競爭層的神經(jīng)元之間實(shí)現(xiàn)全互連接。利用基本競爭型網(wǎng)絡(luò)進(jìn)行分類，需要首先設(shè)定輸入向量的類別總數(shù)，再由此確定神經(jīng)元的個數(shù)。但利用自組織特征映射網(wǎng)絡(luò)進(jìn)行分類卻不需要這樣，這種網(wǎng)絡(luò)會自動將差別很小的點(diǎn)歸為一類，差別不大的點(diǎn)激發(fā)的神經(jīng)元位置也是鄰近的。兩種網(wǎng)絡(luò)模型各自創(chuàng)建好網(wǎng)絡(luò)后，對網(wǎng)絡(luò)進(jìn)行初始化，論文用到函數(shù)initcon。接著就可以對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)達(dá)到最大訓(xùn)練次數(shù)時，訓(xùn)練停止。此時用仿真函數(shù)sim檢驗(yàn)網(wǎng)絡(luò)對巖性分類模式的分類。為了檢驗(yàn)網(wǎng)絡(luò)的分類性能采用訓(xùn)練樣本以外的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行測試。利用自組織競爭神經(jīng)網(wǎng)絡(luò)進(jìn)行巖性識別，不必對輸入的測井?dāng)?shù)據(jù)進(jìn)行統(tǒng)計，只要將網(wǎng)絡(luò)自動分類號與相應(yīng)的巖性對應(yīng)，即可實(shí)現(xiàn)自動巖性分類識別。

五、在MATLAB環(huán)境下實(shí)現(xiàn)測井資料巖性識別

（一）用函數(shù)newc創(chuàng)建一個自組織競爭網(wǎng)絡(luò)來對巖性分類：

1.建立網(wǎng)絡(luò)

net=newc(minmax(P)，3，0.1);

2.網(wǎng)絡(luò)訓(xùn)練

net=init(net); %初始化函數(shù)為initcon

net.tranParam.epochs=200;%訓(xùn)練步數(shù)為200

net=train(net，P);

訓(xùn)練結(jié)果顯示當(dāng)達(dá)到最大訓(xùn)練次數(shù)時訓(xùn)練停止。

3.仿真

為了檢驗(yàn)訓(xùn)練好的網(wǎng)絡(luò)的分類性能，利用仿真函數(shù)檢驗(yàn)網(wǎng)絡(luò)對上述巖性模式的分類。

Y=sim(net，P)%對訓(xùn)練好的網(wǎng)絡(luò)仿真

Yc=vec2ind(Y)

運(yùn)行結(jié)果表明網(wǎng)絡(luò)成功地將巖性模式分成三類。

4.測試：用樣本以外的數(shù)據(jù)測試網(wǎng)絡(luò)的分類性能。結(jié)果顯示測試數(shù)據(jù)屬于石灰?guī)r，網(wǎng)絡(luò)識別成功，網(wǎng)絡(luò)的性能是不錯的。

5.繪曲線圖

wts=net.IW{1，1} %查看權(quán)重

wts=wts'

運(yùn)行結(jié)果如圖5.1所示。

圖5.1 訓(xùn)練后網(wǎng)絡(luò)權(quán)重散點(diǎn)圖

由圖5.1分析可知，競爭型網(wǎng)絡(luò)會根據(jù)輸入向量的分布來調(diào)整它的權(quán)重向量。離輸入向量越近(越相似)的權(quán)重向量，通過調(diào)整靠的越近。訓(xùn)練結(jié)果就是，有幾類輸入向量也就有幾類與輸入向量相似的權(quán)重向量。

（二）用newsom函數(shù)創(chuàng)建一個自組織特征映射進(jìn)行巖性分類：

1.建立網(wǎng)絡(luò)

net=newsom(minmax(P)，[6 5]); %網(wǎng)絡(luò)競爭層的神經(jīng)元的組織結(jié)構(gòu)6 5 plotsom(net.layers{1}.positions);%繪制神經(jīng)元初始位置

title('神經(jīng)元位置的初始分布')

figure;

運(yùn)行結(jié)果表明神經(jīng)元位置是均勻分布的，網(wǎng)絡(luò)還沒有對輸入向量進(jìn)行分類的能力。

2.網(wǎng)絡(luò)訓(xùn)練與網(wǎng)絡(luò)仿真

net.trainParam.epochs=10;

net=train(net，P);

訓(xùn)練結(jié)果：

TRAINR， Epoch 0/10

TRAINR， Epoch 10/10

TRAINR， Maximum epoch reached.

y=sim(net，P) %對訓(xùn)練好的網(wǎng)絡(luò)仿真

yc=vec2ind(y)%轉(zhuǎn)換為串行數(shù)據(jù)

運(yùn)行結(jié)果表明訓(xùn)練次數(shù)為10時，網(wǎng)絡(luò)成功的對巖性進(jìn)行了分類。由此可知訓(xùn)練步數(shù)為100時，網(wǎng)絡(luò)分成了5類，這種分類結(jié)果就比較細(xì)化了，因?yàn)楦鶕?jù)深度的不同，砂巖還可以分為粗粒砂巖和細(xì)粒砂巖。

3.測試：結(jié)果表明該組數(shù)據(jù)為屬于石灰?guī)r。

4.繪曲線圖：

圖5.2 訓(xùn)練10次后輸入向量分布

圖5.3 訓(xùn)練10次后神經(jīng)元分布

由圖5.3可知，經(jīng)過10次訓(xùn)練后，神經(jīng)元的位置就發(fā)生了明顯的改變，神經(jīng)元位置的分布情況表示它們已經(jīng)對輸入向量進(jìn)行分類了，此時再增加訓(xùn)練次數(shù)已經(jīng)沒有什么實(shí)際意義了。

實(shí)驗(yàn)結(jié)果表明，兩種網(wǎng)絡(luò)結(jié)構(gòu)都成功地對巖性進(jìn)行了正確分類。自組織特征映射網(wǎng)絡(luò)在訓(xùn)練次數(shù)較少的時候就可成功地對巖性進(jìn)行分類，在提高訓(xùn)練次數(shù)的時候分類結(jié)果比較精細(xì)。

六、結(jié)束語

論文研究結(jié)果表明，采用自組織競爭網(wǎng)絡(luò)與自組織特征映射網(wǎng)絡(luò)進(jìn)行測井資料巖性識別是可行的，識別率比較高。由于測井資料所攜帶的重要的地質(zhì)信息可以確定地層含油儲量，而且還是制訂開采規(guī)劃的重要依據(jù)，因此利用自組織競爭網(wǎng)絡(luò)進(jìn)行測井資料巖性識別具有很大的意義。此外利用自組織競爭網(wǎng)絡(luò)還可以對我國油田進(jìn)行油氣層識別，提高油田的產(chǎn)量。不足之處在于巖性復(fù)雜地區(qū)所需要的信息量較大，需要考慮樣本數(shù)量的需求、模式和測井?dāng)?shù)據(jù)的完備性。

參考文獻(xiàn)：

[1]陳祥光,裴旭東.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用[M].北京:中國電力出版社,2003

[2]張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M].上海:復(fù)旦大學(xué)出版社,2004

[3]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2007

[4]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京:機(jī)械工業(yè)出版社,2005

[5]許東,吳錚.基于MATLAB 6.x的系統(tǒng)分析與設(shè)計[M].西安:西安電子科技大學(xué)出版社,2003

[6]王洪元.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].北京:中國石化出版社,2002

[7]邱穎,孟慶武,李悌.神經(jīng)網(wǎng)絡(luò)用于巖性及巖相預(yù)測的可行性分析[J].地球物理學(xué)進(jìn)展,2001,16(3):76-84