（计算机应用技术专业论文）神经网络在测井岩性识别中的应用.pdf

摘要 神经网络在测井岩性识别中的应用 摘要 岩性识别不仅是储层评价、油藏描述等方面的一项重要内容，同时也 是求解储层参数的重要依据，准确的岩性识别结果可以为勘探和开发提供 可靠的依据，在寻找油气资源、评估油气储量方面发挥了巨大的作用。由 于实际储层的非均质性，传统的岩性识别方法很难表征储层的真实特性。 神经网络以其具有的分布处理、自学习、自组织、高度非线性和容错能力， 为有效的利用测井信息进行岩性识别提供了一种新方法。 本文工作包括三部分，利用主成分分析法( p c a ) 对测井数据进行预处 理；建立b p 网络岩性识别模型和p c a b p 网络岩性识别模型对测井数据 进行岩性识别；建立s o m 网络岩性识别模型对测井数据进行岩性聚类。 1 、分析测井数据，进行有效的识别岩性，应尽可能多地采用各种测 井参数，但测井参数之间所反映的岩性信息有一定的重叠；对于复杂问题 和高维输入变量，直接用神经网络进行预测，会带来网络规模的剧增，运 算时间的增加，网络的收敛性和泛化能力的降低。为了解决上述问题，利 用主成分分析法对测井数据进行预处理，从具有复杂相关性的测井参数 中，提取最能反映岩性特征的彼此独立的主成分，使其能有效地综合原测 井参数反映的岩性信息。这不仅降低了原测井数据的维数，简化了计算， 而且各个主成分间互不相关。 2 、对于有监督的学习样本，建立p c a b p 网络岩性识别模型。p c a b p 北京化工人学硕卜学位论文 网络岩性识别模型是一种将主成分分析和b p 神经网络相结合对岩性识别 的方法，首先对测井数据进行主成分分析，分析结果作为b p 神经网络的 输入参数进行训练，并用该模型对测试样本进行识别。结果表明该方法同 传统的b p 网络岩性识别模型相比，不仅简化了网络结构( 网络的输入层 神经元个数由5 个减少为3 个) ，网络收敛速度加快了2 1 ，而且识别精度 也提高了2 5 。 3 、对于无监督的学习样本，建立s o m 网络岩性识别模型。s o m 网 络是一种竞争式学习网络，具有较强的聚类和容错能力。结合某地的实际 测井资料，进行s o m 网络岩性识别的应用研究。结果表明，s o m 网络能 够对学习样本进行自动聚类，且识别的准确率较高。 综上所述，利用神经网络对测井数据进行岩性识别是一种行之有效的 岩性识别的好方法，这对于探寻和鉴别含油气地层的精确性，在油气资源 开发领域具有一定的实用意义和很好的应用前景。 关键词：岩性识别，主成分分析，b p 神经网络，s o m 神经网络 i i a b s t r a c t t h ea p p l i c a t i o no fn e u r a ln e t w o r ki n l o g g i n gl i t h o l o g yi d e n t i f i c a t i o n a b s t r a c t l i t h o l o g yi d e n t i f i c a t i o n i sn o to n l yt h e k e ye l e m e n t s i nr e s e r v o i r e v a l u a t i o na n dr e s e r v o i rd e s c r i p t i o n ，b u ta l s ov e r yi m p o r t a n tf o u n d a t i o nf o r o b t a i n i n gr e s e r v o i rp a r a m e t e r s a c c u r a t er e s u l t so fl i t h o l o g yi d e n t i f i c a t i o nc a n p r o v i d er e l i a b l eb a s i sf o rt h ee x p l o r a t i o no f o i la n dg a s ，f o rm o r ei th a sp l a y e d a ne n o r m o u sr o l ei ns e a r c h i n go i la n dg a sr e s o u r c e sa n de v a l u a t i n gt h eo i l b e c a u s eo ft h eh e t e r o g e n e i t yo fa c t u a lr e s e r v o i r ，t h et r a d i t i o n a ll i t h o l o g y i d e n t i f i c a t i o nm e t h o d sa r ed i f f i c u l tt oe x p r e s st h et r u ec h a r a c t e r i s t i c so ft h e r e s e r v o i n n e u r a ln e t w o r kh a st h ec h a r a c t e r i s t i c so fd i s t r i b u t e d p r o c e s s i n g ，s e l f - s t u d y , s e l f - o r g a n i z a t i o n ，h i g h l y n o n l i n e a ra n df a u l tt o l e r a n c e c a p a b i l i t i e s ，s oi ti san e we f f e c t i v el i t h o l o g yi d e n t i f i c a t i o nm e t h o dt h a tt a k i n g a d v a n t a g eo fn e u r a ln e t w o r kt op r o c e s sl o g g i n gi n f o r m a t i o n t h isp a p e ri n c l u d e st h r e ep a r t s ，u s i n gp r i n c i p a lc o m p o n e n ta n a l y s i st o p r o c e s sl o g g i n gd a t a ；s e t t i n gu p b pa n dp c a - b pn e t w o r k l i t h o l o g y i d e n t i f i c a t i o nm o d e l sa n du s i n gt h e mt oi d e n t i f yl i t h o l o g i e sf r o ml o g g i n gd a t a ； s e t t i n gu ps o mn e t w o r kl i t h o l o g yi d e n t i f i c a t i o nm o d e lf o rl o g g i n gd a t a c l u s t e r i n g f i r s t l y , o no n eh a n d ，i no r d e rt oi d e n t i f yl i t h o l o g ye f f e c t i v e l y , w es h o u l d i i i 北京化t 大学硕七学位论文 b et a k i n ga d v a n t a g eo fl o g g i n gp a r a m e t e r sa sm o r ea sp o s s i b l e ，b u tt h e l i t h o l o g yi n f o r m a t i o n ，w h i c hl o g g i n gp a r a m e t e r sc a r r i e s ，h a v eac e r t a i nd e g r e e o fo v e r l a p ；o nt h eo t h e rh a n d ，f o rc o m p l e xi s s u e sa n dh i g h - d i m e n s i o n a li n p u t v a r i a b l e s ，n e u r a ln e t w o r k sd i r e c tp r e d i c t i o nw i l lb r i n gd r a m a t i ci n c r e a s ei n n e t w o r ks i z e ，i n c r e a s ei nc o m p u t i n gt i m e ，d e c r e a s ei nt h ec o n v e r g e n c eo f n e t w o r ka n dt h ea b i l i t yo fg e n e r a l i z a t i o n i no r d e rt os o l v et h ea b o v ep r o b l e m s ， u s i n gp c at op r o c e s sl o g g i n gd a t aa n dt h ep c as c o r e sc o u l di n s t e a dt h e m o s t l yl i t h o l o g yi n f o r m a t i o nw h a tt h eo r i g i n a ll o g g i n gd a t ac a r r i e s t h i sn o t o n l yr e d u c e st h ed i m e n s i o no fo r i g i n a ld a t aa n ds i m p l i f i e sc a l c u l a t i o n ，b u ta l s o e l i m i n a t e st h ec o r r e l a t i o no f o r i g i n a ll o g g i n gd a t a s e c o n d l y , f o rt h es u p e r v i s i o nl e a r n i n gs a m p l e s ，s e t t i n gu pp c a b p l i t h o l o g yi d e n t i f i c a t i o nm o d e lw h i c hi s am e t h o db a s e do np c aa n db p n e t w o r k f i r s tu s i n gp c at op r e t r e a tl o g g i n gd a t a ，t h e np u t t i n gt h ep c ar e s u l t s t ob pn e t w o r kf o rt r a i n i n g ，l a s tu s i n gp c a - b pm o d e lt oi d e n t i f yt h el i t h o l o g y o ft e s t i n gs a m p l e s c o m p a r e dw i t hc o m m o nb pn e u r a ln e t w o r km o d e li n l i t h o l o g yi d e n t i f i c a t i o n ，t h er e s u l t si n d i c a t et h a tt h ep c a b pn e t w o r km o d e l c o u l dn o to n l yp r e d i g e s tt h en e t w o r ks t r u c t u r e ( t h en u m b e ro fi n p u tn e u r o n s r e d u c e sf r o mf i v et ot h r e e ) a n da c c e l e r a t et h en e t w o r kc o n v e r g e n c es p e e db y 21p e r c e n t ，b u ta l s oi n c r e a s et h ep r e c i s i o no fr e c o g n i t i o nb y2 5p e r c e n t t h i r d l y , f o ru n s u p e r v i s e dl e a r n i n gs a m p l e s ，d e s i g n i n gs o mn e t w o r k l i t h o l o g yi d e n t i f i c a t i o nm o d e l s o mn e t w o r ki sak i n do fc o m p e t i t i v el e a r n i n g n e t w o r k sa n dh a ss t r o n gc l u s t e r i n ga n df a u l tt o l e r a n c ec a p a c i t y a ne x a m p l ei s i v a b s t r a c t u s e dt os h o ws o mm o d e l sa p p l i c a t i o nt ol o g g i n gl i t h o l o g yi d e n t i f i c a t i o n t h e r e s u l t si n d i c a t et h a ts o mn e t w o r kc a nb ea b l et oa u t o m a t i c a l l yc l u s t e r l e a m i n gs a m p l e sa n dh a sh i g h e rr e c o g n i t i o na c c u r a c y t os u m u p ，i ti san e w e f f e c t i v el i t h o l o g yi d e n t i f i c a t i o nm e t h o dt h a tu s i n g n e u r a ln e t w o r k st op r o c e s sl o g g i n gd a t aa n di d e n t i f yl i t h o l o g y t h i sm e t h o d h a sc e r t a i n p r a c t i c a ls i g n i f i c a n c e a n dg o o d p r o s p e c t s i n e x p l o r i n ga n d i d e n t i f y i n gt h ea c c u r a c yo fo i la n dg a sl a y e r sa n dt h ef i e l do fo i la n dg a s r e s o u r c ed e v e l o p m e n t k e yw o r d s ：l i t h o l o g yi d e n t i f i c a t i o n ，p r i n c i p a lc o m p o n e n ta n a l y s i s ( p c a ) ， b pn e u r a ln e t w o r k ，s o mn e u r a ln e t w o r k v 北京化工大学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立 进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 任何其他个人或集体己经发表或撰写过的作品成果。对本文的研究做出重 要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声 明的法律结果由本人承担。 作者签名：二已巍醇擘一 日期：卫么上一 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文的规 定，即：研究生在校攻读学位期间论文工作的知识产权单位属北京化工大 学。学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允 许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可 以允许采用影印、缩印或其它复制手段保存、汇编学位论文。 保密论文注释：本学位论文属于保密范围，在2 年解密后适用本授权书。 非保密论文注释：本学位论文不属于保密范围，适用本授权书。 作者签名：王藓盘乒 导师签名：_ 二净卫虱l 日期：一纱p 钽 第一章绪论 1 1 引言 第一章绪论 井间地层识别是多井评价、油气藏描述中不可缺少的部分。通过地层对比可以了 解地层层序、岩性及地层厚度的变化，了解地层构造、断层与不整合的接触关系，研 究储集层的纵横向变化，查明油气层分布及连通情况，为寻找有利含油气区与合理开 发油气田提供依据。 在油气田的勘探中，传统的测井解释方法经常采用人工拟合或专家主观进行判 别。用人工方法进行地层对比，除了工作量大以外，对比的正确性随着解释者熟练程 度的不同而异，这就影响正确结果的获得，为尽量避免人为因素的影响，采用计算机 智能识别就成为工程上的迫切要求。 人工智能产生于本世纪5 0 年代，它是控制论、信息论、系统论、计算机科学、 神经生理学、遗传学、数学等多种学科相互渗透的结果，也是计算机出现和广泛应用 的结果。人工神经网络、模糊逻辑理论、专家系统和遗传算法一起构成了人工智能的 四大方向。近几年，人工神经网络在石油勘探和开采领域得到了迅速的发展。由于在 石油勘探和开采领域中存在大量的复杂和不确定的因素，不能准确地用精确的数学计 算方法来描述，神经网络以其具有的分布处理、自学习、自组织、高度非线性和容错 能力，大大弥补了石油工业领域中常规处理和分析方法的不足。 1 2 测井技术 测井技术【l 】于1 9 2 7 年起源于法国斯贝尔谢公司，1 9 3 9 年中国开始将测井技术应 用于石油工业。7 0 多年来，随着石油和煤炭等工作的发展，随着电子技术、计算机技 术的发展，测井技术得到了迅速发展。从最简单的电阻率测井发展到较复杂的聚集测 井；从单一的电法测并发展到核测井、声测井、热测井、核磁测井、重力测井、随钻 测井等多种方法测井，并已形成适应多类地质条件的较完善的测井系列；从单一的井 下仪器发展到适应多种测井系列的组合测井仪器。 测井技术已经在油气地质勘探过程中发挥了巨大作用，而且具有巨大的应用潜 力。测井数据是迄今为止所能获得的垂向分辨率最高、连续性最好的地质数据，其中 蕴含着丰富的地质信息。测井曲线反映了钻井剖面的沉积特性。通过测井曲线研究钻 井剖面的旋回特征，可反映出地层基准面的变化。自然伽玛、自然电位和视电阻率等 曲线与岩石平均粒度有很好的对应关系。 ! 长期以来，国内外地球物理测井主要直接服务于岩石物理学家；测井资料的解释 仅限于岩石孔隙度、渗透率、油气饱和度等方面。测井资料的沉积学分析多是根据测 井曲线的几何形态特征( 形状、重心、偏度、光滑度等) 作定性分析，即主要从测井曲 北京化工大学硕上学位论文 线的形态特征加以应用研究沉积相；测井曲线在层序地层学中也多是从其形态特征出 发直观识别层序边界、划分层序和体系域、确定区域古水流等。只根据测井曲线形态 进行地质分析，不能满足现实需要，必须将其与新方法结合起来。 在信息与计算机技术的推动下，测井资料解释更有长足的发展；从测井资料的人 工整理、人工解释发展到计算机自动整理、自动处理解释与解释成果的自动直观显示； 从定性解释、半定量解释发展到定量解释；从个别层段人工解释到全井段连续自动处 理解释以及人机交互联作；从单井评价到多井评价与油藏描述；从简单纯地层模型到 较完善的复杂地层模型，直到大量应用数理统计、多元分析、最优化、模糊数学、神 经网络、人工智能以及数据库、计算机图形与图像处理技术等等；从而提高了解释精 度、扩大了解释成果的应用范围，促进了解释理论和方法的发展，推动了测井数据处 理与解释软件的蓬勃发展。 总之，现代测井技术正朝着测井方法系列化，井下仪器组合化，信息采集和传输 自动化，测井记录数字化，现场操作程控化，资料处理解释自动化和人机联作方向发 展，它已经成为石油十大学科中的一门重要学科。 1 3 测井解释 测井解释主要解决的问题【2 ，3 】： 一、储层参数的选择和定量计算。女h - t l 隙度、渗透率和饱和度等。 二、识别问题。如油( 气) 水识别、岩性识别和裂隙识别等。 神经网络在测井解释中的应用 长期以来，传统的解释方法都是建立在线性和均质理论基础上，将复杂问题进行简 化假设，因而建立的测井解释模式常常与实际不符。实际上，测井响应与地层特性之间 的关系是十分复杂的，很难用一种方程给出表达。 神经网络对解决这类问题有独特优越性，它能完成输入与输出之间复杂的非线性 映射。通过对简单的非线性函数进行几次复合，便可实现复杂的函数关系的转换，加 之神经网络具有较完善的学习功能、自适应能力、联想记忆能力、容错性以及独特的 信息处理方式等，因此在测井定量解释中，不需要先建立任何测井响应方程或提供经 验公式，也避免了解释过程中一些中间参数选择、解释模型和测井响应方程的建立以 及求解所带来的人为误差，从而大大提高了测井解释的精度和速度，为测井曲线解释 开辟了一条新途径，为地层评价以及进行地层结构构造及沉积环境研究，寻找油气储 层提供了可靠的基础数据。 1 4 岩性识别技术 岩性分析的基础资料是与岩性密切相关的各种测井曲线，测井曲线中包含丰富的 2 第一章绪论 岩性信息，不同的测井曲线对于岩性和地层有不同的区分度。对岩性反应灵敏的测井 曲线有自然伽码、自然电位、岩石密度等。测井曲线值的差异主要取决于岩性，即决 定于组成岩石的矿物成分、结构和岩石孔隙中所含流体的性质。反之，对于一组特定 的测井参数值，它就对应着地层中的某一种岩性。 岩性识别是地层评价、油藏描述等方面的一项重要内容。自1 9 8 2 年w o l l f 等人首 次提出根据测井资料自动判定地层岩相【4 j 以来，利用计算机自动进行岩性识别已成为 测井技术和钻井技术发展的重要方向和国内外从事此项工作的研究和关注的内容。目 前用于自动岩性识别的方法主要有如下几种【5 】： 1 、概率统计岩性识别 根据概率统计理论利用测井资料进行岩性识别的主要思想是：不同种类的岩性， 在各种测井曲线上的数值反映至少是部分不重复的。将分析点的测井值作为随机变 量，根据解释层的测井值及其标准偏差确定出该层可能属于某种岩性的概率，计算出 所有可能岩性类别的最终概率，选择具有最大概率的那种岩性作为解释层的最终输出 结果。同时该概率值的大小反映了岩性解释的可靠性。该方法以概率统计为基础，通 过先验概率和条件概率估计后验概率来达到确切识别，然而先验概率很少知道，且标准 模式的建立与所选的方法有关，具有一定的人为因素。 2 、聚类分析岩性识别 聚类分析是根据样本多种变量的测定数据定量地确定它们之间的相似性和亲疏 关系，并据此连接样本进行分类。不同的测井物性值反映不同的岩性，一类岩性对应 一类的物性值，这正符合聚类分析所依据的其本原则。聚类分析岩性识别的方法的基 本思想是：已知有一种岩性的物性相应标准值及待识别层的测井曲线均值，计算二者 之间的欧式空间距离，比较大小选定欧氏距离最小的那种岩性，即为该识别层的初步 岩性类别。为了提高分类精度，可通过迭代方法不断地修正物性相应标准值。聚类分 析岩性识别具有选择参数少的特点。该方法与概率统计方法同属于数理统计方法，二 者之间的差别是参数选择的要求不同，概率统计法适合于参数条件较好的数字测井资 料，聚类分析法适合于参数较离散的模拟测井资料。两者综合使用，并以概率统计的 可信度和聚类分类的距离系数差异程度进行统计可信度检验，则可收到更好的效果。 3 、神经网络岩性识别 神经网络岩性识别是有大量简单非线性神经元相互连接构成的非线性动力学系 统。它具有很强的自适应性、容错性、联想记忆功能和推理意识功能，在模式识别等 领域得到了广泛的应用。岩性识别是模式识别的一个具体应用方面，随着神经网络技 术的发展，研究人员尝试着用不同的神经网络去解决岩性识别问题。b a l d w i n 等人于 1 9 8 9 年提出了用k o h o n e n 自组织特征映射神经网络识别岩性的方法【6 】，取得了初步效 果。周家纪等人提出遗传神经网络及其在岩性识别中应用的方法，该方法是将遗传算 法引入到了b p 网络的权值和阈值的调整过程中，使得该网络在寻找全局最优上具有 3 北京化工人学硕上学位论文 明显的能力。 1 5 神经网络技术的发展及应用 人工神经网络的研究与计算机几乎是同步发展的。1 9 4 3 年，心理学家m c c u l l o c h 和数学家p i t t s 合作提出了形式神经元的数学模型，成为人工神经网络研究的开端。5 0 年代末，r o s e n b l a t t 提出了感知器模型，首次把神经网络应用到工程实践中。1 9 8 2 年， h o p f i e l d 提出了神经网络的一种数学模型，引入了能量函数的概念，研究网络的动力 学性质；紧接着又设计出用电子线路实现这一网络的方案，开创了神经网络用于联想 记忆和优化计算的新途径，大大促进了神经网络的研究。1 9 8 6 年多层感知器的反向传 播算法的提出克服了感知器模型继续发展的重要障碍。 神经网络理论的应用取得了令人瞩目的进展，特别是在人工智能、自动控制、计 算机科学、信息处理、机器人、模式识别等方面都有重大的应用实例。本论文利用神 经网络来对测井数据进行岩性识别。下面列出一些主要的应用领域【7 8 】： ( 1 ) 模式识别与图像处理。包括印刷体和手写体字符识别、语音识别、签字识别、 指纹识别、人脸识别、目标检测与识别、电机故障检测、图形压缩和图像复原等。 ( 2 ) 控制和优化。包括化工过程控制、机械手运动控制、运载体轨迹控制和家电控 制等。 ( 3 ) 金融预测与管理。包括股票市场预测、有价证券管理、借贷风险分析和信用卡 欺骗检测。 ( 4 ) 通信。包括自适应平衡、回声抵消、路由选择、a t m 网络中呼叫接纳识别及 控制、导航和多媒体处理系统等。 4 第_ 二章神经网络概述 2 1 引言 第二章神经网络概述 人工神经网络是由大量神经元互相连接，通过模拟人的大脑神经处理信息的方 式，进行信息并行处理和非线性转换的复杂网络系统。本章详细介绍了神经网络的神 经元模型、神经网络的拓扑结构、主要模型和神经网络的学习及规则。 2 2 神经元模型 神经元是人工神经网络的基本处理单元。2 0 世纪中叶，m c c u l l i c h 和p i t t s 定义了 简单的人工神经网络模型，称为m p ( m c c u l l o c h p i t t s ) 模型【9 1 。它的一般模型如图2 1 所示。 图2 - 1 单个神经元模型 f i g2 - 1s i n g l en e u r o nm o d e l 图2 1 给出了一个基本的人工神经元的结构。人工神经元又称为处理单元，节点 或短期记忆。从外部环境或别的神经元的输出构成输入向量x = ( x l ，x 2 ，x n ) t 。其中x i 为别的神经元的输出或兴奋。联结两个神经元的可调值称为权值或长期记忆。 所有和神经元j 相联结的权值构成向量为w j = ( w j l ，w j 2 ，哳) t ，其中w j i 代表处理单 元i 和j 之问的连接权值。 神经元模型的输入输出关系为： s i = w j i x i o j ( 2 1 ) 。 l 掌l y ，= f ( s ；) ( 2 2 ) 其中，0 i 为阈值。几) 称为传递函数或输出变换函数，也叫激励函数。 神经元由于采用了不同的激励函数，因而使得神经元具有不同的信息处理特性， 而神经元的信息处理特性决定神经网络整体性能的三大要素之一，因此激励函数具有 5 北京化t 大学硕l ：学位论文 十分重要的意义。下面介绍三种常用的激励函数： 1 、阈值型激励函数 采用如下的单位阶跃函数 1x 0 f ( x ) 2 ox o ( 2 3 ) 具有这一作用方式的神经元称为阈值型神经元，是神经元模型中最简单的一种， 经典的m p 模型就是属于这一类，图2 2 为阈值激励函数的图形 l f ( x ) 1 ， 0 x 图2 2 阈值函数 f i g2 - 2t h r e s h o l df u n c t i o n 2 、分段线性激励函数 此函数特点：神经元的输入与输出在一定范围内满足线性关系， 性函数，表达形式如下： f 0 x 0 厂( x ) = x 0 c 该函数曲线如图2 3 ： 3 、s i g m o i d 激励函数 f ( ，【) r ocx 图2 3 分段线性函数 f i g2 - 3p i e c e w i s e l i n e a rf u n c t i o n 6 这类函数也称线 ( 2 - 4 ) 第- 二章神经网络概述 此类函数的实数域r 到【o ，1 闭集的非减连续函数，它代表了状态连续型神经元模 型，最常用的是单极性s i g m o i d 函数，简称s 型函数。其特点是函数本身及其导数都 是连续性的，因而在处理上十分方便，单极型s 型函数定义如下： 厂( x ) = 爵1 万 ( 2 5 ) 该函数的图形如图2 4 ： 2 3 神经网络的拓扑结构 f 厂 。 r o鼍 图2 - 4 s i g m o i d 函数 f i g2 - 4s i g m o i df u n c t i o n 神经网络模型是一个并行和分布式的信息处理网络结构，该网络结构一般由许多 神经元组成，每个神经元有一个单一的输出，它可以连接到很多其他的神经元上，其 输入有多个连接通路，每个连接通路对应一个连接权系数。 现今，神经网络有许多种类型，主要分为前向型、反馈型、随机型和自组织竞争 型等四类。从网络的拓扑结构【1 0 】来看，可分为前向网络和反馈网络两大类。 ( 1 ) 前馈网络 前馈网络也叫前向网络，具有递阶分层结构，由一些同层神经元间不存在互连的 层级组成，从输入层至输出层的信号通过单向连接流通，神经元从一层连接至下一层， 不存在同层神经元间的连接。多层前向网络已被证明可以逼近任意连续有界非线性函 数。多层前向网络具有三要素，即多层次结构，s 型神经元和反向传播( b a c k p r o p a g a t i o n ) 算法，多层前向网络已经在模式识别、图像处理与分类等许多领域得到了广泛应用。 前馈网络的例子有多层感知器网络、b p 网络和r b f 网络等。 ( 2 ) 反馈网络 反馈网络也叫递归网络或回归网络，近年来受到人们的普遍关注。反馈网络的一 个最显著的特点是它的输出端信号通过带延时环节( 对于离散型网络) 或一阶惯性环 节( 对于连续型网络) 的反馈机构连接到输入端，反馈网络有时也可以外部输入。反馈 网络本质上是动态系统，最著名的代表是h o p f i e l d 网络【1 1 13 1 。与多层前馈网络相比， h o p f i e l d 网络是单层网络，它不能描述任意映射关系的非线性动态系统。有些神经元 7 北京化t 大学硕 ：学位论文 的输出被反馈至同层或前层神经元，因此，信号能够从正向和反向流通。h o p f i e l d 网 络，e l m m a n 网络和j o r d a n 网络是递归网络有代表性的例子。 2 4 神经网络的主要模型 ( 1 ) 误差反向传播神经网络( b p ) b p 网络是一种多层前馈神经网络，网络是一种多层前馈神经网络，名字源于网络 权值的调整规则采用的是反向传播学习算法，即b p 算法。b p 算法是r u m e c h a r t 等在 1 9 8 6 年提出的【l 舢，自此以后b p 神经网络获得广泛的实际应用，是前向网络的核心部分， 体现了神经网络最精华、最完美的内容。 b p 网络是一种单向传播的多层前向网络。b p 网络是一种具有三层或三层以上的 神经网络，包括输入层、隐层和输出层。上下层之间实现全连接，而每层神经之间无连 接。当对一学习样本提供网络后，神经元的激活值从输入层经各中间向输出层传播，在 输出层的各层神经元获得网络的输入响应后，按照减少目标输出与实际输出误差的方 向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为误差 逆传播算法，即b p 算法。 ( 2 ) h o p f i e l d 神经网络模型 h o p f i e l d 神经网络模型是一种全连接型的神经网络。它利用与阶层神经网络的不 同结构特征和学习方法，模拟生物神经神经网络的记忆机理获得了令人满意的结果。 这一网络及学习算法最初是由美国物理学家h o p f i e l d 于1 9 8 2 年首先提出的，故称 h o p f i e l d 网络。1 9 8 5 年h o p f i e l d 和j a n k 用这种网络模型成功解决了优化组合问题中 的具有典型意义的旅行商问题( t s p ) 。 h o p f i e l d 网络具有离散型和连续型两种形式。离散型h o p f i e l d 网络是处理输入和 输出二值网络，而连续型h o p f i e l d 网络则为连续值，二者的网络基本结构不变。 h o p f i e l d 网络不同于前馈网络，是一种循环神经网络，从输出到输入有反馈连接。 它由不同的神经元构成的单层，并且不具有学习功能的自联想网络，网络中的权值是 按一定规则计算出来，权值一经确定就不再改变，而网络中各神经元的状态在运行过 程中不断更新，网络演变到稳定状态时各神经状态便是问题之解。 ( 3 ) 随机性神经网络 在b p 神经网络和h o p f i e l d 神经网络算法中，导致网络学习过程中陷入局部极小值 的重要原因主要有两点： ( a ) 网络结构上存在输入与输出之间的非线性关系，从而使网络误差和能量函数所 构成的空间是一个含有多极点的非线性空间。 ( b ) 算法上，网络误差和能量函数向减小的方向变化，而不能有丝毫的上升趋势。 随机性神经网络从解决网络收敛问题的第二个原因入手，其基本思想是不但让网 8 第二章神经网络概述 络误差和能量函数向减少的方向变化，而且还按某种方式向增大的方向变化，目的是 使网络有可能跳出局部极少值而向全局最小点收敛。随机性网络的典型算法是模拟退 火算法。 ( 4 ) 自组织特征映射神经网络 人们通过大量实验发现，人的大脑皮层中存在许多完成特定功能的网络区域，而 进一步实验发现，在完成一定特定功能的网络区域中，不同部位的若干神经元对含有 特定的外界刺激同时产生响应，即人脑的神经细胞并不是在记忆模式中一一对应的， 而是一组或一群神经元对应一个模式。 早在9 0 年代，一些学者根据生理学规律研究并提出了各种模拟这些规律的人工神 经网络和算法，之后于1 9 8 1 年由芬兰学者k o h o n e n 提出一个比较完整的分类性能比较 好的自组织特征映射神经网络( 简称s o m 网络) 方案，这种网络有时也称为k o h o n c n 特征网络【睁1 8 】。 s o m 网络由输入层和输出层组成，每个输入层神经元通过权值与输出层的每个神 经元结点相连。输出层的结点一般是以二维的阵列形式排列的，它们中的每个神经元 是输入样本的代表。输出层是通过竞争进行学习的，输出网络根据其学习规则，对输入 模拟进行自动分类，即在无教师示教的情况下，通过对输入模式的反复学习，捕捉各个 输入模式中所含的模式特征，并对其进行自组织，在竞争层将分类结果表现出来。 ( 5 ) 竞争型神经网络 竞争型神经网络是以无教师方式进行网络训练的网络。网络通过自身训练，自动 对输入模式进行分类。这一点与网络的模式分类的功能十分相似，但是竞争型神经网 络及其学习规则与其他类型的神经网络和学习规则相比，有着自己的鲜明特点。在网 络结构上，它既不像阶层型神经网络那样各层神经元之间只有单向连接，也不像全连 接型神经网络那样，网络结构上没有明显的层次界限。它是由输入层和竞争层构成的 两层网络，两层之间各神经元实现双向全连接，而且网络中没有隐含层。在学习算法上， 它模拟生物神经元系统、依靠神经元之间的兴奋、协调与抑制来进行信息处理的基本 动力学原理，来指导网络的学习与工作不像其它大多数网络学习规则那样，是以网络 的误差或能量函数的单调递减作为算法准则的。 竞争型网络的基本思想是网络竞争层各神经元竞争对输入模式的响应机会，最后 仅一个神经元成为竞争的胜利者，并将与获胜的神经元有关的各连接权朝着更有利于 它竞争的方向调整，这一获胜的神经网络则表示对输入模式的分类。除了竞争的方法 外，还有通过抑制手段获取胜利的方法，即网络竞争层各神经元抑制所有其他神经元 对输入模式的响应机会，从而使自己“脱颖而出 成为取胜的神经元。 9 北京化丁大学硕i j 学位论文 2 5 神经网络的学习方式及规则 l 、神经网络的学习方式 人工神经网络最具有吸引力的特点是它的学习能力，神经网络的学习过程就是结 点的训练过程。1 9 6 2 年r o s e n b l a t t 给出了人工神经网络著名的学习定理【1 9 1 ：人工神经 网络可以学会它可以表达的任何东西。所谓训练就是在将样本集合( 也称样本集或训练 集) 输入到神经网络的过程中，按照一定得规则去调整神经元之间的连接权，使得网络 能将样本集的内涵以权矩阵的方式存储下来。性能的改善是按某种预定的度量通过调 节自身参数( 如权值) 随时间逐步达到的学习方式，这样的学习方式有三种： ( 1 ) 监督学习( 有教师学习) 这种学习需要外界一个“教师”，它可给一组输入提供应有的输出结果( 正确答 案) ，这组已知的输入一输出数据称为训练样本集，学习系统可根据已知输出与实际输 出之间的差值( 误差信号) 来调节系统参数。监督学习算法的例子有d e l t a 规则、广义 d e l t a 规则或反向传播( b p ) 算法以及学习矢量量化( l v q ) 算法等。 ( 2 ) 无监督学习( 无教师学习) 无监督学习时不存在外部教师，学习系统完全按照环境提供数据的某些统计规律 来调节自身参数或结构( 这是一种自组织过程) ，以表示出外部输入的某些固有特性。 无监督学习算法的例子有k o h o n e n 算法和c a r p e n t e r - g r o s s b e r g 自适应谐振理论【2 0 】 ( a r t ) 等。 ( 3 ) 再励学习( 强化学习) 这种学习介于上述两种学习之间，外部环境对系统输出结果只给出评价信息而不 是正确答案。学习系统通过强化那些受奖的动作来改善自身的性能。强化学习算法的。 一个例子是遗传算法( g a ) 。 2 、神经网络的学习规则 对应于不同的神经网络结构和模型，在网络学习过程中，有不同的学习规则，通 过这些学习规则来调整神经元之间的连接权重，实现神经网络的学习。 ( 1 ) 误差纠正学习 令y r ( n ) 是当给定输a x r ( n ) 、神经元r 在n 时刻的网络世纪输出，d r ( n ) 表示应 有的输出( 可由训练样本给出) ，则误差信号可写为： e r ( 甩) = d r ( 刀) 一y r ( ，z ) ( 2 6 ) 误差纠正学习的最终目的是使某一基于的目标函数达到最小，以使网络中每一输 出单元的实际输出在某种统计意义上最接近于应有输出，一旦选定了目标函数形式， 误差纠正学习就成为一个典型的最优化问题，最常用的目标函数为均方差，定义为误 差平方和均值m s e ： 1 0 第一二章神经网络概述 瑚b 萎蠢) 仁7 ， 式中，e 】为求期望算子，前提是被学习的过程是宽平稳的，具体方法可用最优 化梯度下降法等。需要知道整个过程的统计特性才能直接用j 作为目标函数，通常用 j 在时刻n 的瞬时值f ( 以) 代替j ，既有： 善( 玎) = i 1 乙6 2 ( 以) ( 2 8 ) 问题变为求解善( 刀) 相对于w 的极小值，据梯度下降法可得： 呦= 刁1 ( 力) x ，( 玎) ( 2 9 ) 式中，7 为学习步长，这就是通常所说的误差纠正学习规划( 或称学习规则) 。 ( 2 ) h e b b 学习 由神经心理学家h e b b 提出的学习规则【2 1 1 可归纳为“当某一突触( 连接) 两端的神 经元同步激活( 同为激活或同为抑制) 时，该连接的强度应增强，反之应减弱”。用数 学方式可描述为： 勾= f 抄足( 以) ，x ，( 刀) j ( 2 一l o ) 式子中，y 露( 咒) 、柳( 以) 分别为w 肼两端神经元的状态。其中最常用一种情况是： a w 彤= r y 詹( ，z ) 工j ( 刀) ( 2 - 1 1 ) 由于帅与y 斥( ，1 ) 、动( ，1 ) 的相关性成比例，也称为相关学习规则。 ( 3 ) 竞争学习 在竞争学习时，网络各输出单元互相竞争，最后达到只有一个最强者激活，最常 见的一种情况是输出神经元之间有侧向抑制性连接，这样原来输出单元中如有某一单 元激活，则它将获胜并抑制其它单元，最后只有此赢者处于激活状态。最常用的竞争 学习规则可描述为： 坳= 冀曩鬻；羹菱 p 协 第二章测井数据预处理 3 1 引言 第三章测井数据预处理 在运用测井数据进行各项分析前，需对其进行预处理。测井数据预处理包括测井 数据归一化处理和测井数据主成分分析。本章详细介绍了上述两种方法的原理及实现 过程。 3 2 测井数据归一化处理 各测井指标数据有度量单位，不论单位不同还是单位相同，变量间的数值大小相 差较大。因此在进行数据分析前，一般需将变量做标准化或者归一化处理。本文对原 始测井数据采用归一化处理。归一化的目的亦是将量纲不同或者大小悬殊的不同指标 转化到同等水平上1 2 2 1 。本文采用下式对测井数据进行归一化处理： v 一矿 x = 塑( 3 1 ) 爿m 一爿m 缸 式中：x 为归一化后的数据，x 【0 ，1 】，x + 为原始