用于油水层识别的一种简化的神经计算方法.pdfVIP

维普资讯 · 56· 第25卷 第3期 大庆石油地质与开发 P．G．O．D．D． 2006年6月 文章编号：1000-3754 (2006)03-0056-04 用于油水层识别的一种简化的神经计算方法 夏克文，李昌彪，刘宏杰，沈钧毅 (两安交通大学 电子与信息工程学院，陕西 西安 710049) 摘要：在油水层识别中，单纯使用神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时 间长，以及因冗余属性使网络拟合精度不高等缺点，为此基于属性约简和最优化原理提出一种简化的 神经计算方法，主要包括基于粗糙集的样本属性约简算法，基于LM方法的稳定学习算法，以及基于 黄金分割的隐合层节点数确定的优化算法等。仿真试验和实际应用表明，这种简化的神经计算方法不 仅满足识别系统的精度要求，而且起到节省成本、提高处理速度等功效，在油水层识别中效果显著 关 键 词：神经计算；油水层识别；属性约简；LM方法；黄金分割法 中图分类号：TPI8 文献标识码 ：A LM法)，比BP算法收敛速度快得多，且算法稳定， 1 问题的提出 并克服了传统BP算法的诸多缺陷。 (3)隐含层节点数优选算法的简化。采用基于 油水层识别是测井解释中的一项重要研究课题。 黄金分割寻优算法确定理想的隐含层节点数，其有哪些信誉好的足球投注网站 由于用于油水层识别的测井信息和岩性、物性参数等 效率高，且节省成本，进而使整个神经网络的结构设 属性诸多¨，加上各个条件属性并不同等重要，且 计得到全面优化。 常常存在着冗余信息，因而在实际应用中，必须进行 属性约简 以便于利用有用的信息来进行识别。 2 计算方法与系统设计 神经计算是一种模拟人类思维的智能方法，已在 油水层识别中得到广泛应用 ，它的优点在于具有 2．1 样本属性约简算法 大规模并行处理、网络全局作用、信息分布存储等特 记信息系统 ，= (U，Q)，其中 是论域，Q是 点；通过学习训练产生一个非线性映射，自适应地对 属性集合，分为条件属性集c和决策属性集D，且Q 数据产生聚类；具有较好的抑制噪声干扰的能力。其 u - CUD，CnD = 。 缺点主要是，一般不能将输入信息空间的维数简化， 记 ind (P)为由P ( Q)决定的不可辨识关 当输入信息空间维数较大时，网络不仅结构复杂，而 系，设p∈P，如果ind (P)=ind(P一 {P})，则 且训练时间也很长。另外，隐含层节点数的确定尚无 属性P是P中可约简的，否则是不可约简的。由P 理论依据，网络结构不易于优化设计。为此，本文从 中所有不可约简属性组成的集合称为P的核，记为 粗糙集 属性约简和黄金分割优选法等原理出发， ~o1．e(P)。 提出一种简化的神经计算方法进行油水层识别，具体 若 P，有 ind (R)=ind (P)，则 是P的 创新工作如下： 一 个约简，记为red(P)。显然，所有约简集的交集 (1)神经网络输入层节点数的简化。根据油水 等于P的核，即(30112(P)=nred (P)。 层决策属性的模式类型确定、条件属性大多为连续型 由于P的约简并不唯一，而求解最简属性约简 等特点，提出一种实用的样本属性约简算法，达到剔