论文部分内容阅读
作为人工智能的重要组成部分，人工神经网络有较大的应用潜力。因其可以处理一些环境信息十分复杂、背景知识不清楚、推理规则不明确的问题，并且允许样本有较大的缺损和畸变，所以神经网络在油气勘探开发领域的研究得到了广泛的重视。
用于储层油气识别的神经网络主要有BP算法。BP神经网络是一种能以任意精度逼近任意非线性函数，且结构简单的神经网络模型，在模式识别中应用十分广泛。但BP神经网络存在训练时间较长、收敛速度较慢、易陷入局部最小等问题，使其在实际应用中存在局限性。一股情况下，由于实际训练样本空间参数并不严格遵循某一因果关系，甚至样本之间存在着矛盾，在这种情况下，BP神经网络网络在精度、收敛速度、学习效率及稳定性上都会存在严重问题。
在油气识别中，油气探测信号信息量大、样本空间复杂，且探测信息与探测目标不具备完全一致性和因果性，利用传统BP神经网络研究此类问题时，往往具有很大局限性。本文在BP网络模型的基础上，提出一种基于灰色关联约束的BP神经网络改进模型。该模型尝试利用BP神经网络历史训练的权值，以灰色系统理论为基础，以灰色关联为方法，构建灰色关联约束函数，其灰色关联约束函数反映历史权值的变化规律与当前学习权值变化的依赖关系，对BP神经网络训练权值变化状态进行定量分析，利用灰色关联约束函数自适应的约束BP神经网络训练学习过程，以图克服BP神经网络存在训练时间较长、收敛速度较慢等问题。
应用表明，相对于传统BP模型，基于灰色约束的BP改进模型对大信息量、复杂样本空间油气信息处理，具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。