專利名稱：模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法。
背景技術(shù)：
隨著地震屬性技術(shù)的發(fā)展，地震儲層預(yù)測已成為指導(dǎo)油氣勘探開發(fā)的有效手段。然而，由于地震屬性種類繁多，與預(yù)測對象之間的關(guān)系復(fù)雜，不同工區(qū)和不同儲層對所預(yù)測目標敏感的(最有效、最具代表性的)地震屬性是不完全相同的。即使是同一工區(qū)、同一儲層，預(yù)測對象不同，對應(yīng)的敏感屬性也存在差異。由于地震屬性的這種多解性，使得某些屬性會嚴重影響儲層預(yù)測的精度，因此對
地震屬性進行優(yōu)化選擇就顯得十分必要。地震屬性優(yōu)化方法可以明顯的提高地震儲層預(yù)
測的精度，更有效地進行儲層描述，進一步提高鉆井成功率，具有明顯的經(jīng)濟效益和社會效.、/■
Mo由于地震屬性是指由疊前或疊后地震數(shù)據(jù)，經(jīng)過數(shù)學(xué)變換而導(dǎo)出的一些包括外部幾何形態(tài)、內(nèi)部反射結(jié)構(gòu)、連續(xù)性、振幅、頻率和速度等代表地震相特征的參數(shù)。而地震相是特定地震反射參數(shù)所限定的三維空間中的地震反射單元，它是特定沉積相或地質(zhì)體的地震響應(yīng)。因此，應(yīng)用地震屬性劃分地震相類型是非常有意義的。最后，通過地震相分析解釋這些地震相所代表的沉積相和沉積環(huán)境，以達到地震相轉(zhuǎn)換為沉積相的目的。
`
目前，常采用自組織神經(jīng)網(wǎng)絡(luò)對地震屬性進行聚類分析以達到劃分地震相類型的目的，但是傳統(tǒng)的自組織神經(jīng)網(wǎng)絡(luò)由于每輸入一個訓(xùn)練樣本就被歸到距離最近的一類子集中，這種訓(xùn)練方式可能過于倉促，影響網(wǎng)絡(luò)對所有訓(xùn)練樣本特征的掌握，進而影響分類的正確性。同時也極易引起網(wǎng)絡(luò)權(quán)值的振蕩，使得學(xué)習時間較長。另外，自組織神經(jīng)網(wǎng)絡(luò)的增益函數(shù)、界限函數(shù)、鄰域等網(wǎng)絡(luò)參數(shù)的選取是一個十分棘手的問題，它們隨著劃分類數(shù)的不同而變化。鑒于自組織神經(jīng)網(wǎng)絡(luò)的這些問題，本文采用一種模糊自組織神經(jīng)網(wǎng)絡(luò)與地震屬性結(jié)合的方式進行地震相模式識別。模糊自組織神經(jīng)網(wǎng)絡(luò)不同于傳統(tǒng)的自組織神經(jīng)網(wǎng)絡(luò)，它是一次輸入所有的訓(xùn)練樣本點，確定每個樣本點對每類子集的隸屬程度。網(wǎng)絡(luò)權(quán)值的調(diào)整綜合考慮了所有樣本的特征信息，一輪學(xué)習只調(diào)整一次，大大節(jié)約了學(xué)習時間。而且這種方法進行地震相分析，可以有效地識別河道、三角洲、沖積扇、斷層、巖性異常體等沉積相特征和地質(zhì)現(xiàn)象，形成一種實用性強、精度高的儲層預(yù)測技術(shù)。地震屬性優(yōu)化就是優(yōu)選出對求解問題最敏感、最有效或最有代表的屬性，以便提高儲層預(yù)測的精度。在進行地震屬性優(yōu)化處理前，通常要對提取的所有屬性進行標準化處理(如歸一化等)。地震屬性的優(yōu)化始于20世紀70年代出現(xiàn)的“亮點”技術(shù)，在該技術(shù)中，選擇反射波的振幅和極性等，即早期的“專家優(yōu)化”。隨著人工智能技術(shù)的發(fā)展，更多數(shù)學(xué)方法被引入到地震屬性的優(yōu)化方法中。目前屬性的優(yōu)化方法較多，但可將其分為兩大類利用專家知識進行優(yōu)化和利用數(shù)學(xué)方法進行自動優(yōu)化。專家方法已不能滿足目前儲層預(yù)測的要求，只能作為一種輔助的手段。當前國內(nèi)外的地震屬性優(yōu)選方法主要是數(shù)學(xué)方法，主要有K-L變換、局部線性嵌入算法(LLE)、等距映射(ISOMAP)、多重判別分析法(MDA)、屬性貢獻量法、搜索算法、遺傳算法、粗集理論(RS)等。隨著地震屬性技術(shù)的發(fā)展，地震儲層預(yù)測技術(shù)作為一個分支也得到了較快的發(fā)展。從早期的單屬性預(yù)測到后來利用多種地震屬性進行儲層預(yù)測的技術(shù)；從早期的專家方法到后來的人工智能方法。自80年代起，“模式識別”受到特別重視，先后研究出了 “模糊模式識別”、“統(tǒng)計模式識別”、“神經(jīng)網(wǎng)絡(luò)模式識別”和“函數(shù)逼近”等方法，這以后儲層預(yù)測技術(shù)得到了快速的發(fā)展。預(yù)測對象從預(yù)測油氣發(fā)展到預(yù)測儲層參數(shù)和地層巖性等。目前，根據(jù)預(yù)測方法可以分為函數(shù)逼近類預(yù)測和模式識別類預(yù)測。函數(shù)逼近類方法主要是對儲層參數(shù)等進行預(yù)測，主要參數(shù)包括砂泥巖百分比、孔隙度、含油飽和度、儲層厚度、地層壓力等，常采用BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、⑶SI網(wǎng)絡(luò)等。模式識別類方法主要用于含油氣性預(yù)測、地震相模式識別，采用的方法已經(jīng)從統(tǒng)計模式識別、模糊模式識別過渡到自組織神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、分形理論、灰色理論等。地震相分析技術(shù)作為儲層預(yù)測的一部分，自然也得到了較快發(fā)展。它是20世紀70年代末發(fā)展起來的一種利用地震資料進行地質(zhì)解釋的地質(zhì)方法。發(fā)展至今，地震相分析已由肉眼判斷地震相單元的各種參數(shù)、手工制作地震相圖件到自組織神經(jīng)網(wǎng)絡(luò)判斷不同單元的地震相參數(shù)，并直接對地震相參數(shù)進行分類。最初的手工操作，費時費工，特別是當?shù)卣鹌拭嫔戏瓷洚惓２煌怀鰰r，此項工作是更加困難，后來發(fā)展到了用統(tǒng)計模式識別和模糊聚類來自動劃分地震相。但是統(tǒng)計模式識別對屬性提取和選擇的要求高，只能適用于幾種簡單的形式，模糊聚類方法在建立準確合理的隸屬度函數(shù)方面難度較大，且當數(shù)據(jù)量大時運算時間長，有時幾乎不能夠?qū)崿F(xiàn)。后來運用了神經(jīng)網(wǎng)絡(luò)技術(shù)進行模式識別取得了良好的效果。因為人工神經(jīng)網(wǎng)絡(luò)可以處理一些環(huán)境復(fù)雜、背景知識不清楚、推理規(guī)則不明確的問題，而且允許樣本有較大的缺損和畸變。就目前有關(guān)劃分地震相的文章來看，多選取的是Kohonene自組織神經(jīng)網(wǎng)絡(luò)。地震屬性優(yōu)化不僅是模式識別的關(guān)鍵之一，對提高函數(shù)逼近法地震儲層預(yù)測精度也具有重要意義。在地震儲層預(yù)測中，通常提取多個屬性，采用模式識別或函數(shù)逼近法進行儲層預(yù)測。但在不同地區(qū)、不同層位，對所預(yù)測對象敏感的(或有效的、最有代表性的)地震屬性是不完全相同的；即使在同一地區(qū)、同一層位，對所預(yù)測的對象敏感的地震屬性也是有差異的。因此有必要研究儲層預(yù)測中的地震屬性優(yōu)化方法。目前地震屬性的優(yōu)化方法較多，但可將其分為兩大類利用專家知識進行優(yōu)化和利用數(shù)學(xué)方法進行自動優(yōu)化。專家優(yōu)化，一般來說油田專家對某個地區(qū)帶有最多儲層信息的地震屬性是比較了解的，可憑經(jīng)驗進行地震屬性選擇。有時專家能提出幾組較優(yōu)的屬性或?qū)傩越M合，但哪一組最優(yōu)難下結(jié)論。這可以通過計算誤識率(模式識別法)或預(yù)測誤差(函數(shù)逼近法)并比較，選取誤識率或預(yù)測誤差小者為最優(yōu)的地震屬性或地震屬性組合。與專家優(yōu)化方法相比，數(shù)學(xué)優(yōu)化方法要復(fù)雜得多，而且具有更廣泛的適用性。粗糙集(rough set,簡稱RS或粗集)理論是1982年，波蘭華沙理工大學(xué)的Z. Pawlak教授以關(guān)系理論為基本工具，推廣傳統(tǒng)的集合理論提出來的，并于1991年出版了粗糙集理論專著。為研究不完整數(shù)據(jù)進行分析、推理，發(fā)現(xiàn)數(shù)據(jù)間的關(guān)系，提取有用屬性，簡化信息處理，研究不精確、不確定知識的表達、學(xué)習、歸納方法提供了一個有力的工具。同時，RS理論還為信息科學(xué)和認知科學(xué)提供了新的科學(xué)邏輯和研究方法，并且為智能信息處理提供了有效的處理技術(shù)。RS理論無需提供出問題所需處理的數(shù)據(jù)集合外的任何先驗信息，僅根據(jù)觀察數(shù)據(jù)刪除冗余信息，比較不完整的知識程度——粗糙度，屬性間的依賴性與重要性，抽取分類規(guī)則等的能力。由此，粗糙集為數(shù)據(jù)庫知識發(fā)現(xiàn)、專家系統(tǒng)、決策支持系統(tǒng)、模式識別、模糊控制等，提供了一種新的數(shù)學(xué)方法。

發(fā)明內(nèi)容
本發(fā)明的目的為了克服現(xiàn)有技術(shù)的不足與缺陷，提供一種模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，該模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法能夠完成對自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，且訓(xùn)練效果好，訓(xùn)練成本低。本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，包括以下步驟(a)確定訓(xùn)練樣本X ；(b)隨機初始化權(quán)值 Wij, O < Wij < I, i = O, I,…，N-1 ； j = O, I,…，K-1 ；(c)輸入所有樣本點，計算每個樣本對所有子集的隸屬度；(d)調(diào)整網(wǎng)絡(luò)權(quán)值；(e)根據(jù)網(wǎng)絡(luò)穩(wěn)定的判定條件，如滿足，則學(xué)習結(jié)束，如不滿足，則轉(zhuǎn)入步驟(C)繼續(xù)學(xué)習。 所述學(xué)習因子指數(shù)a為I或2。所述訓(xùn)練樣本個數(shù)為M,特征數(shù)為N,分類數(shù)為K。綜上所述，本發(fā)明的有益效果是能夠完成對自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，且訓(xùn)練效果好，訓(xùn)練成本低。
具體實施例方式下面結(jié)合實施例，對本發(fā)明作進一步地的詳細說明，但本發(fā)明的實施方式不限于此。實施例本實施例涉及模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，包括以下步驟(a)確定訓(xùn)練樣本X ；(b)隨機初始化權(quán)值 WirO < Wij < I, i = O, I, ···, N-1 ； j = O, I, ···, K-1 ；(c)輸入所有樣本點，計算每個樣本對所有子集的隸屬度；(d)調(diào)整網(wǎng)絡(luò)權(quán)值；(e)根據(jù)網(wǎng)絡(luò)穩(wěn)定的判定條件，如滿足，則學(xué)習結(jié)束，如不滿足，則轉(zhuǎn)入步驟(C)繼續(xù)學(xué)習。所述學(xué)習因子指數(shù)a為I或2。所述訓(xùn)練樣本個數(shù)為M,特征數(shù)為N,分類數(shù)為K。以上所述，僅是本發(fā)明的較佳實施例，并非對本發(fā)明做任何形式上的限制，凡是依據(jù)本發(fā)明的技術(shù)實質(zhì)上對以上實施例所作的任何簡單修改、等同變化，均落入本發(fā)明的保護范圍之內(nèi)。
權(quán)利要求
1.模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，包括以下步驟 (a)確定訓(xùn)練樣本X；(b)隨機初始化權(quán)值Wij7O < Wij < I, i = O, I, ···, N-1 ； j = O, I, ···, K-1 ； (c)輸入所有樣本點，計算每個樣本對所有子集的隸屬度； (d)調(diào)整網(wǎng)絡(luò)權(quán)值； (e)根據(jù)網(wǎng)絡(luò)穩(wěn)定的判定條件，如滿足，則學(xué)習結(jié)束，如不滿足，則轉(zhuǎn)入步驟(C)繼續(xù)學(xué)習。
2.根據(jù)權(quán)利要求1所述的模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，所述學(xué)習因子指數(shù)a為I或2。
3.根據(jù)權(quán)利要求1所述的模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，所述訓(xùn)練樣本個數(shù)為M,特征數(shù)為N，分類數(shù)為K。
全文摘要
本發(fā)明公開了模糊自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，包括(a)確定訓(xùn)練樣本x；(b)隨機初始化權(quán)值wij，0＜wij＜1，i＝0，1，…，N-1；j＝0，1，…，K-1；(c)輸入所有樣本點，計算每個樣本對所有子集的隸屬度；(d)調(diào)整網(wǎng)絡(luò)權(quán)值；(e)根據(jù)網(wǎng)絡(luò)穩(wěn)定的判定條件，如滿足，則學(xué)習結(jié)束，如不滿足，則轉(zhuǎn)入步驟(c)繼續(xù)學(xué)習。本發(fā)明能夠完成對自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，且訓(xùn)練效果好，訓(xùn)練成本低。
文檔編號G06N3/08GK103049791SQ20111032627
公開日2013年4月17日 申請日期2011年10月13日 優(yōu)先權(quán)日2011年10月13日
發(fā)明者何陽 申請人:何陽