神經網絡特征范文

導語：如何才能寫好一篇神經網絡特征，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關鍵詞：自組織特征映射；人工神經網絡；巖性識別；測井資料

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)26-1764-03

The Logging Lithological Identification by Using Self-organizing Feature Map Neural Networks

SHI Xiao-song, CHENG Guo-jian

(School of Computer Science,Xi'an Shiyou University, Xi'an 710065, China)

Abstract: The self organizing feature map (SOFM) neural network has superior clustering and fault-tolerant ability. In this paper SOFM was used to solve the well-logging lithological identification. We described firstly SOFM network modeling and then, by combined it with a set of actual well-log data, a lithological identification model was set up by Matlab programming and the specific research on this field was carried on. By compared the SOFM-based results with some known well-logging information, it was shown that the SOFM modeling is very effective and efficiency for the well-logging lithological identification. It is also shown thatSOFM modeling has a good prospect for the petroleum reservoir engineering.

Key words: self organizing feature map; artificial neural network; lithological identification; logging data

1 引言

近年來，各國的油氣需求量都在急劇增加。測井在油氣勘探中被比喻成人的眼睛，測井資料所攜帶的地質信息是確定地層含油儲藏量的重要依據，因此，利用測井資料進行巖性識別在油氣勘探中非常重要。

傳統的巖性識別方法主要有交會圖快速識別方法和統計學方法等；應用BP神經網絡，識別的準確率較高。但是BP算法有一些局限性，如收斂速度慢，容易陷入局部極小值點等。本文將自組織特征映射網絡用于測井巖性識別，巖性識別結果完全正確，表明此方法有較好的應用效果。

2 SOFM神經網絡的基本思想、拓撲結構及學習規則

人工神經網絡（Artificial Neural Network, 簡稱ANN）是近年來發展起來的模擬人腦生物過程的人工智能技術。它由大量簡單的神經元廣泛互連形成復雜的非線性系統,不需要任何先驗公式，就能從已有數據中自動地歸納規則，獲得這些數據的內在規律，具有很強的自學習、自組織、自適應和非線性映射能力,特別適合于因果關系復雜的非線性推理、判斷、識別和分類等問題。

自組織特征映射（Self Organizing Feature Map,也稱Kohonen映射）神經網絡（簡稱SOFM 神經網絡），是由Kohonen教授提出的對神經網絡的數值模擬方法。這種方法有降維的功能，是人工神經網絡的重要分支之一。

自組織特征映射網絡（SOFM）是自組織網絡中的一種，所謂的自組織過程是指學習的結果總是使聚類區內各神經元的權重向量保持向輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起。這種結構的網絡能夠從輸入信息中找出規律以及關系，并且根據這些規律來相應地調整網絡，使得以后的輸出與之相適應。

2.1 自組織特征映射網絡的（SOFM）基本思想

SOFM 網絡中神經元的拓撲組織就是它最根本的特征。對于拓撲相關而形成的神經元子集，權重的更新是相似的。且在這個學習過程中，這樣選出的子集將包含不同的神經元。

通過訓練，我們要建立起這樣一種布局，它使得每個權值向量都位于輸入向量聚類的中心。一旦SOFM完成訓練，就可以用于對訓練數據或其它數據進行聚類。

2.2 SOFM網絡的拓撲結構：

SOFM 神經網絡是一個兩層網絡，即由輸入層和競爭層組成，輸入層接收樣本，競爭層對樣本進行分類，這兩層的神經元進行完全相互連接，競爭層的神經元按二維形式排列成一個節點矩陣，一般輸入層節點數等于能夠代表分類問題模式的維數，輸出節點數根據

具體問題來決定。SOFM網絡的拓撲結構圖， 如圖1所示：

2.3 網絡的學習規則

網絡根據其學習規則，對輸入模式進行自動分類，即在無師示教的情況下,通過對輸入模式的自組織學習，抽取各個輸入模式的特征，在競爭層將分類結果表示出來。當輸入樣本分屬多個類型時，N維特征空間就會呈現出多個集群狀分布的特點 。每個集群代表一個類型，集群的中心就是聚類中心。同屬一類的樣本與該類聚類中心的距離比與另一類聚類中心的距離要小。

具體的聚類過程是先將輸入向量和連接權值向量正規化，再計算該輸入向量和各輸出單元連接權值的距離，有最小值者即為獲勝單元。然后以獲勝單元為中心定義其鄰近區域，只要是在此鄰近區域內的輸出單元，其相關權值皆參與更新。在網絡學習過程中，鄰近區域將隨時間減小，學習速率也隨時間減小。最終，當各輸入向量與連接權值的最小歐氏距離總和達到一定閾值時，將認為網絡收斂，學習結束，各連接權值到達各聚類的中心。

3 巖相的識別

MATLAB的NN Toolbox提供了豐富的函數建立經網絡，主要包括神經網絡函數、權值函數、網絡的輸入函數、傳遞函數、初始化函數、性能函數、學習函數、自適應函數、以及訓練函數等。因此熟練掌握好建立、學習、訓練網絡的NN Toolbox非常必要，下面以一個具體的實例說明SOFM網絡實現巖相的識別的全過程。

SOFM 的基本結構中網絡的輸出層為二維的平面結構 。輸入層與競爭層各神經元之間實現全互連。本例選取某地區的資料進行研究。該地區屬于碳酸鹽地層，因此需要判斷的巖性有3種，即熒光灰巖，泥質粉砂巖和砂礫屑灰巖。通過對歷史資料的分析和現場實驗可知，選擇自然伽瑪(GR) 、聲波(AC) 、自然電位(SP) 、井徑(CAL) 、微梯度(RLML) 、微電位(RNML) 和電阻率(RT) 這7 項測井參數來指示巖性。

表1列出了15組，接下來就利用這15組樣本作為網絡的訓練樣本。表3列出了7組用來進行測試。

利用函數NEWC創建一個自組織競爭網絡，需要區分的數目為15，因此神經元的數目為15，學習速率設為0.8。

把輸入模式輸入SOFM網絡，進行網絡權值訓練，網絡競爭層各神經元對輸入模式的響應機會，最后僅有一個神經元成為競爭的勝者，并對那些與獲勝神經元有關的各連接權朝著更有利于它競爭的方向調整，這一獲勝神經元就表示對輸入模式的分類。輸入模式樣本與獲勝神經元的對應關系見表一中最后一列。這樣，巖性與競爭層獲勝神經元就建立了對應關系，見表2，SOFM網絡巖性識別模型就建立起來了。

MATLAB代碼為：

P=[ 25.4 28.4 29.6 27.8 21.8 116.7 115.8 123.1 129.2 151.9 66.1 65.2 64.2 65.6 66.6 ;

166.2170.2 161.2 158.8 164.3 207.2 206.8 201.8 201.7 200.5 175.1 160.1 156.8 160.7 162.7;

22 22 21.8 21.7 21.4 74.8 74.8 75 74.8 74.6 54.3 54.3 54.3 54.3 54.3 ;

21.6 22.122.7 22.4 21.2 23.3 23.3 23.5 23.523.7 19.9 19.9 19.9 19.4 19.4;

10.1 9.2 7.6 8.3 9.2 9.5 9.8 8.7 8.8 9 9.1 6.2 6.5 6.5 6.5 ;

10.9 10 7.9 9 9.2 8.9 8.4 7.9 7.7 7.7 11.4 9.2 9.2 9.2 9.2;

1097.5 1087.9 1026.3 1029.7 1098.3 58.2 57.2 59.6 61 62.3 388.9 387.8 388.4 387.4 387.7]

plot(P(1,:),P(7,:),'.');

title('初始巖相分布') ;%見圖2。

net = newc(minmax(P),15,0.80)%網絡創建結束后，接下來需要對網絡進行訓練：

net = init(net)

net.trainParam.epochs=3000

net=train(net,P)

%當達到最大訓練次數時，訓練停止。為了檢驗網絡的分類性能，可以利對網絡進行測 %試。用仿真函數檢驗網絡對上述巖性的分類。

Y=sim(net,P)

%利用函數vec2ind將Y轉換為串行數據：

Y1=vec2ind(Y)

運行結果為：

111112222212711710

% 把結果可視化 ，見圖3。

figure;

for i=1:15

if Y1(i)==1

plot(P(1,i),P(7,i),'紅','markersize',15);

elseifY1(i)==2

plot(P(1,i),P(7,i),'黃','markersize',15);

else ； plot(P(1,i),P(7,i),'綠','markersize',15); end

title('熒光灰巖:（1 紅)泥質粉砂巖:（2 黃)砂礫屑灰巖:(5-15 綠)') ;

hold on;end

分為3類

由此可見，網絡成功地對上述巖性模式進行了分類，其中P的前5組數據（列向量）為一類，中間5組數據為一類，最后5組數據為一類，這與表的數據是吻合的。

4 巖相及效果分析

巖性與競爭層獲勝神經元的對應關系如表2所示：

現有一組石灰石的影響因子，接下來利用該組數據對網絡進行測試，看網絡能否成功地對它進行識別。

MATLAB代碼為：

P_test=[29.5 ;167.1 ;21.9 ;22.5 ;8.2 ;9.1 ;1060.8 ;];

Y_test= sim (net,P_test);

Yc_test= vec2ind(Y_test)

.......

結果為：

Yc_test =1，1，1，2，2，2，10，8.

得到8個未知巖性樣品的巖性識別結果，見表3倒數第一行。經檢驗，巖性識別結果完全正確結果和表3相符，由此可見，網絡成功的識別了該組數據，因此可以說，網絡的性能是不錯的。

通過調節網絡的有關參數，使網絡對輸入敏感，可以劃分的巖相類別數目多而細致。但也不能使其過于敏感而失去意義。在一個地區，讓網絡處于最佳狀態，依據所建立的分類號與巖相的對應關系，就可以用在區類的其它的井中，利用自組織神經網絡快速方便的分類。

5 結語

SOFM網絡的訓練過程是一種自組織特征映射神經網絡(SOFM)模擬大腦神經系統的自組織特征映射功能，是一種非監督競爭式學習的前饋網絡 ，在訓練中能無監督自組織學習 。它通過學習可以提取一組數據中的重要特征或某種內在規律，按離散時間方式進行分類 。網絡可以把任意高維的輸入映射到低維空間，并且使得輸入數據內部的某些相似性質表現為幾何上鄰近的特征映射。這樣，就在輸出層映射成一維或二維離散圖形，并保持其拓撲結構不變 。在SOFM網絡巖性識別模型的建立過程中，15個7維數據輸入模式樣本，在輸出層映射成一個一維離散圖形，將15個樣本聚集成3類，分別聚集在神經元1上，神經元2上，神經元5，8，10,15上，這種分類反映了樣本集的本質區別，大大減弱了一致性準則中的人為因素。這與應用傳統方法將15個巖樣分為熒光灰巖、泥制粉砂巖和砂爍屑灰巖相互應證，也說明了通過映射圖形聚類也是一種SOFM網絡巖性識別方法，并且該網絡有快速方便的特點，能較可靠的對各種巖相的測井響應進行自動劃分。

參考文獻：

[1] 葛哲學,孫志強.神經網絡理論與MATLABR2007實現[M].北京:電子工業出版社,2007.

篇2

關鍵詞 水平衰減全反射傅里葉變換紅外光譜； 離散小波特征提取； 人工神經網絡； 鱗毛蕨科植物； 識別分析

2011-05-15收稿；2011-09-09接受

* E-mail:

1 引 言

隨著現代科學技術的發展，學科之間的聯系越來越密切，出現了許多相互交叉、相互滲透的邊緣科學。20世紀60年代前后，在植物分類學與植物化學這兩門科學之間出現了一門新的邊緣科學――植物化學分類學[1]。植物化學分類學亦稱植物化學系統學，是利用化學的特征，來研究植物各類群間的親緣關系，探討植物界的演化規律。對于一個植物體而言，其化學成分不是單一的，如何利用其復雜的化學成分來進行物種間的鑒別成為一個植物化學分類學的焦點問題[2]。傅里葉變換紅外光譜由于能給出復雜體系的所有物質的化學結構信息，不同植物體具有不同的化學成分或相同的化學成分所占比例的不同，都可以產生不同的傅里葉變換紅外光譜，因而將傅里葉變換紅外光譜技術作為一種分析工具應用于植物的識別具有重要的理論意義和現實依據[3]。借助于化學計量學，能夠更為準確和快速地利用傅里葉變換紅外光譜法進行植物的分類與識別[4～9]。

蕨類植物早在4億年前便已遍布地球表面，它同時兼具原始維管束植物與高等隱花植物雙重演化的地位。大多數蕨類植物均有藥用價值，藥用蕨類植物含有黃酮、甾類、生物堿等活性物質，對多種疾病有明顯療效[10]。本研究選擇形態較為相似的3種鱗毛蕨科的中型草本植物貫眾、闊鱗鱗毛蕨及變異鱗毛蕨為分析對象，采用水平衰減全反射傅里葉變換紅外光譜法測定FT-IR后運用離散小波進行特征提取，得到特征向量值后進行人工神經網絡訓練及檢驗，得到了較高的識別率。

2 實驗部分

2.1 儀器與樣品

NEXUS 670型傅里葉變換紅外光譜儀（美國Thermo公司），配DTGS 檢測器，OMNIC E.S.P. 5.1智能操作軟件，水平衰減全反射（HATR）附件，光譜范圍為4000～650 cm

Symbolm@@ 1，分辨率2 cm

Symbolm@@ 1， 掃描累加次數64次。

貫眾為鱗毛蕨科植物貫眾（Cyrtomium fortunei J. Sm）的干燥全草；闊鱗鱗毛蕨為鱗毛蕨科植物闊鱗鱗毛蕨（Dryopteris championii （Bench） C. Chr. apud Ching）的干燥全草；變異鱗毛蕨為鱗毛蕨科植物變異鱗毛蕨（Dryopteris varia （L.） O. Ktze.）的干燥全草。所有樣品均于2008年3月分別采自于浙江金華北山及四川峨眉山，并經過浙江師范大學植物學教研室及上海師范大學植物學教研室鑒定。將采得的樣品洗凈，不經過任何化學處理，于避光處晾干。然后分別裁取樣品的根部作為分析的對象，放入粉碎機中粉碎，再置于瑪瑙研缽上研磨成約75

SymbolmA@ m的細小均勻粉末。準確稱取每種樣品8 mg，待測。

2.2 測定方法

在采集數據前，按要求將HATR附件水平放置于傅里葉變換紅外光譜儀的樣品倉中，分別將樣品粉末置于鍺晶片與校正壓力裝置之間，轉緊壓力裝置后直接測定樣品的FT-IR。為了降低測定誤差，每次測定接觸面積均固定為0.314 mm.2，圖譜基線采用自動校正法進行校正。

2.3 數據處理

通過測定，得到樣品的FT-IR。采用Matlab 6.1軟件，對拷貝自實驗中所給定的樣品的FT-IR進行一維離散小波變換，在各個分辨率下觀察樣品的FT-IR差異程度，從中選擇兩個具有代表性的分辨率進行提取特征向量值。進行人工神經網絡識別時，以3種蕨類根部的FT-IR作為實驗樣本。樣本的訓練集和測試集各選取240個，每種植物不同產地的訓練數及預測樣本數各選擇40個，樣本經過FT-IR測定后進行一維離散小波特征提取，其所選擇的特征向量值作為特征信息進行ANN的訓練與預測。

3 結果與討論

3.1 鱗毛蕨科3種植物根的HATR-FTIR譜圖比較

貫眾、闊鱗鱗毛蕨和變異鱗毛蕨3種植物根部典型的FT-IR如圖1所示。

圖1 3種蕨類植物根部的FT-IR

Fig．1 FT-IR spectra of the root of three kinds of pteridophyte plants

a. 貫眾； b. 闊鱗鱗毛蕨； c. 變異鱗毛蕨。a. Cyrtomium fortunei J. Sm; b. Dryopteris championii （Bench） C. Chr. apud Ching; c. Dryopteris varia （L.） O. Ktze.

從圖1可見，由于黃酮、甾類、生物堿、三萜類化合物、鞣質、甾醇、內酯、氨基酸等是蕨類植物中主要的活性物質，故在3300 cm

Symbolm@@ 1均有羥基伸縮振動吸收峰，并在1030～1200 cm

Symbolm@@ 1間出現不同的CO鍵伸縮振動吸收峰。在3378 cm

Symbolm@@ 1處的吸收峰為三萜類、多糖類和甾醇類化合物的羥基吸收峰。3328，1612和1434 cm

Symbolm@@ 1處的吸收峰為氨基酸的氨基和酸根吸收峰。1031 cm

Symbolm@@ 1處為糖類的CO吸收峰，由于1031 cm

Symbolm@@ 1處的吸收峰為第一強峰，可推斷屬多糖類化合物。在2921和1373 cm

Symbolm@@ 1處的吸收峰為CH2和CH3的吸收峰。

由于3種蕨類植物為同科植物，所含化學成分比較相近，所以從所得FT-IR圖譜很難直接獲得更多分類識別的信息。小波變換是繼傅里葉變換后所出現的一種更為有效的信號處理及特征提取方法，素有“數學顯微鏡”之稱。為了更為直觀地識別3種鱗毛蕨科植物，采用離散小波變換進行提取特征向量值。它能將圖譜變換為一系列小波系數，這些系數可以被高效壓縮和存儲。提取特征向量后進一步采用人工神經網絡進行分類識別。

3.2 3種蕨類植物的離散小波特征提取

在進行離散小波分解時，應該根據信號的光譜特性選擇適當的小波基函數和分解層數。在小波多分辨率分解過程中，根據HATR-FT-IR信號的特性并比較不同分辨率下信號分解的效果， 確定合適的小波基及小波尺度。其標準是突出原始光譜中的若干個特征峰，并選取平滑性好的小波基。常用的小波基有Mexicon hat，Meyer，Morlet，Daubechies，Coiflet及Symlets等（圖2）。以小波基形狀與待分析信號形狀是否更接近及衰減信號是否更快作為選擇的前提，經比較分析，選取了Daubechies小波作為“分析小波”。本研究提取小波域中原始信號FT-IR中的兩個特征峰，以提取其特征值。對3種蕨類植物的FT-IR分別進行了一維離散小波變換，分解的層數為5。經過比較分析，選擇其中兩層（4和5）提取特征值。

圖3為利用離散小波變換分別對貫眾、闊鱗鱗毛蕨及變異鱗毛蕨的FT-IR進行多分辨率離散小波變換分解的結果。由圖3可見，當離散小波變換的分辨率比較低時，從小波域上無法分辨其光譜的主要特征，因為其中有較多的細節干擾信號。而細節信號對光譜變化比較敏感，對原始光譜中各個特征峰反應過于強烈，不利于特征提取。因此，取第4層和第5層這2個分辨率的離散小波細節信號作為特征變

圖2 小波基函數的曲線

Fig．2 Wavelet basis function curves in time domain

（a） Mexicon hat wavelet；（b） Meyer wavelet；（c） Morlet wavelet；（d） Daubechies wavelet；（e） Coiflet wavelet；（f） Symlets wavelet.

圖3 離散小波分解3種蕨類根部FT-IR的結果

Fig．3 Result of pre-processed spectra of FTIR spectra of the root of three kinds of pteridophyte plants with multiresolution discrite wavelet transform （DWT）

量提取空間。特征變量定義為離散小波域內第4層和第5層這2個分辨率下光譜的能量。為了有效提取離散小波域內兩個分辨率下的具有代表性的特征值，對每個分辨率下的光譜分別劃分特征區間。考慮到植物FT-IR譜的復雜性，本研究從區別比較大的兩個區域劃分了特征區間（圖4）。由圖4可見，第4層和第5層每層劃分為兩個區域，每種植物共獲得4個特征值，作為人工神經網絡的輸入與輸出值。

圖4 3種蕨類植物特征區間劃分示意圖

Fig．4 Division of two feature regions of detail signal in DWT domain

a. 貫眾； b. 闊鱗鱗毛蕨； c. 變異鱗毛蕨。a. Cyrtomium fortunei J. Sm; b. Dryopteris championii （Bench） C. Chr. apud Ching; c. Dryopteris varia （L.） O. Ktze.

3.3 反向傳播（Back-propagation，BP）算法

由于本研究主要用于植物的分類和識別，故采用人工神經網絡的反向傳播（BP）網絡模型。對于反向傳播神經元網絡，當各節點均采用Sigmoid 型函數時，一個隱含層就足以實現任意的判決分類問題。采用本研究組已建立的算法[11]，并采用隨機輸入方式。

3.4 網絡確定與應用結果

經實驗確定BP網絡結構為4個輸入節點、6個隱層節點和3個輸出節點，誤差0.05， α為0.8，η為0.02。考察訓練成功的網絡對3種蕨類植物如何進行識別。所用的BP網絡結構中4個輸入節點依次為歸一化為0～1之間的4個特征向量，輸出節點按作為教師信號的蕨類植物種類分為：1類（貫眾）；2類（闊鱗鱗毛蕨）；3類（變異鱗毛蕨）。訓練后的網絡對240個不同產地樣品的FT-IR經過離散小波變換后的特征向量數據的預測結果見表1。

從預測結果可見，貫眾、闊鱗鱗毛蕨及變異鱗毛蕨這3種蕨類植物均基本上被正確判別，只有采自四川峨眉山的闊鱗鱗毛蕨和變異鱗毛蕨各有一個樣本被錯誤分類，兩產地的預測準確率平均值分別達100.00%, 98.75%和98.75%。

3.5 結論

（1）蕨類植物作為藥用多使用根部，考慮到根部受環境的影響相對比較小，所以研究時采用蕨類根部作為實驗對象；（2）與壓片法及液膜法不同，利用HATR-FT-IR法測定蕨類植物，能進行直接測定獲得譜圖，從而使所得FT-IR有較好的可比性。采用離散小波變換進行數據壓縮可以對紅外吸收較為相似的貫眾、闊鱗鱗毛蕨及變異鱗毛蕨3種蕨類植物的FT-IR進行特征提取。選擇第4層和第5層分辨率下的特征值作為分析的基礎，從所得特征值進行人工神經網絡分類能夠較為有效地進行分類。此方法在形態較為相似的同科植物貫眾、闊鱗鱗毛蕨及變異鱗毛蕨3種蕨類植物的分類上具有較高的可行性，從而為光譜學與計算機科學技術相結合在植物分類學中的更為廣泛的應用提供了較為科學的研究基礎。

References

1 LIU Shu-Qian, ZHENG Jun-Hua, GUO De-An, XU Bing-Jiu. Northwest Pharmaceutical J., 1999, 14（5）: 222～225

劉叔倩, 鄭俊華, 果德安, 徐秉玖. 西北藥學雜志, 1999, 14（5）: 222～225

2 HUANG Hao, SUN Su-Qin, XU Jin-wen, WANG Zhao. Spectrosc. Spec. Anal., 2003, 23（2）: 253～257

黃 昊, 孫素琴, 許錦文, 王 釗. 光譜學與光譜分析, 2003, 23（2）: 253～257

3 Lv H F, Cheng C G, Tang X, Hu Z H. Acta Bot. Sinica, 2004, 46（4）: 401～406

4 CHENG Cun-Gui, TIAN Yu-Mei, ZHANG Chang-Jiang. Chinese J. Anal. Chem., 2008,36（8）: 1051～1055

程存歸, 田玉梅, 張長江. 分析化學, 2008,36（8）: 1051～1055

5 CHENG Cun-Gui, XIONG Wei, JIN Wen-Ying. Chinese J. Anal. Chem., 2009, 37（5）: 676～680

程存歸, 雄 瑋, 金文英. 分析化學, 2009, 37（5）: 676～680

6 Cheng C G, Liu J, Zhang C J, Cai M Z, Xiong W. Appl. Spectros. Rev., 2010, 45（2）: 148～164

7 Cheng C G, L J, Wang H, Xiong W. Appl. Spectros. Rev., 2010, 45（3）: 165～178

8 CHENG C G, Liu J, Cao W Q, Zheng R W, Wang H, Zhang C J. Vib. Spectrosc., 2010, 54（1）: 50～55

9 CHEN Zhi-Cheng, LIU Jun-Xian, HUANG Shu-Shi, TAO Zhan-Hua, WANG Yi-Bing. Com. Appl. Chem., 2009, 26（4）: 482～486

陳植成, 劉軍賢, 黃庶識, 陶站華, 王一兵. 計算機與應用化學, 2009, 26（4）: 482～486

10 CHENG Cun-Gui, MAO Jiao-Yan. Chem. Indu. Forest Prod., 2005, 25（2）: 107～110

程存歸, 毛姣艷. 林產化學與工業, 2005, 25（2）: 107～110

11 CHENG Cun-Gui, Tian Yu-Mei, Zhang Chang-Jiang. Acta Chim. Sinica, 2008,66（7）: 793～798

程存歸, 田玉梅, 張長江. 化學學報, 2008, 66（7）： 793～798

Recognition Among Three Kinds of Pteridophyte Plants Based on

Fourier Transform Infrared-Discrete Wavelet Feature Extraction

and Artificial Neural Network Classification Method

YU Peng.1, XU Rui.2, CHENG Cun-Gui*1

.1（College of Chemistry and Life Science, Zhejiang Normal University, Jinhua 321004, China）

.2（College of Chemical and Pharmaceutical Engineering,

Henan University of Science and Technology, Luoyang 471003, China）

Abstract Fourier transform infrared （FT-IR） and horizontal attenuated total reflectance （HATR） techniques were used to obtain the FT-IR of three kinds of pteridophyte plants （the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze.）. The similar features of FT-IR among the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze. were extracted by discrete wavelet transform. The scale 4 and 5 were used to extract the feature vectors, which were used to train the artificial neural network（ANN）. The trained neural network was used to classify the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze., which were collected from different places. According to 240 prediction samples, we could effectively identify the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze. by FT-IR with discrete wavelet feature extraction and artificial neural network classification.

篇3

關鍵詞：圖像分類；深度學習；Caffe框架；卷積神經網絡

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）35-0209-03

Research and Implementation of Image Classification Based on Convolution Neural Network

WANG Chao

（Information Engineering Institute，East China University of Technology， Nanchang 330013， China）

Abstract： The problem of image classification has been the core problem in computer vision. A good solution is developed by further study which can solve the problem of extracting image features in image classification. In order to learn image features efficiently， constructing the machine learning model with hidden layer as well as training a large number of image data will eventually promote the accuracy of image classification or prediction. This paper is intended as an in-depth Caffe learning framework to construct a small image data-base. The convolutional neural network provided by Caffe framework will make a training analysis of the data set and then extract the information of target image features. These can be used for the final prediction of the target image. Compared with the traditional image classification algorithm， the accuracy of the prediction will be greatly improved.

Key words： image classification； deep learning； Caffe framework； Convolutional Neural Network

S著計算機與互聯網技術的快速發展，我們已經進入了一個以圖像構建的世界。但是面臨有海量圖像信息卻找不到所需要的數據的困境，因而圖像分類技術應運而生。通過各種機器學習算法使計算機自動將各類圖像進行有效管理和分類，但是由于圖像內容包含著大量復雜且難以描述的信息，圖像特征提取和相識度匹配技術也存在一定的難題，要使得計算機能夠像人類一樣進行分類還是有很大的困難。

深度學習是近十年來人工智能領域取得的重要突破，在圖像識別中的應用取得了巨大的進步，傳統的機器學習模型屬于神經網絡模型，神經網絡有大量的參數，經常會出現過擬合問題，因而對目標檢測準確率上比較低。本文采用卷積神經網絡框架，圖像特征是從大數據中自動學習得到，而且神經網絡的結構深由很多層組成，通過重復利用中間層的計算單元來減少參數，在特征匯聚階段引入圖像中目標的顯著信信息，增強了圖像的特征表達能力。通過在圖像層次稀疏表示中引入圖像顯著信息，加強了圖像特征的語義信息，得到圖像顯著特征表示，通過實驗測試，效果比傳統的圖像分類算法預測的準確度有明顯的提升。

1 基于卷積神經網絡的圖像分類方法

1.1 人工神經網絡

人工神經網絡（Artificial Neural Network， ANN）是描述生物神經網絡運行機理和工作過程的抽象和簡化了的數學物理模型，使用路徑權值的有向圖來表示模型中的人工神經元節點和神經元之間的連接關系，之后通過硬件或軟件程序實現上述有向圖的運行[1]。目前最典型的人工神經網絡算法包括：目前最典型的人工神經網絡有BP網絡 [2]Hopfield網絡[3]Boltzmann機[4]SOFM網絡[5]以及ART網絡人工神經網絡[6]，算法流程圖如圖1所示[7]。

1.2 卷積神經網絡框架的架構

Caffe是Convolutional Architecture for Fast Feature Embedding的縮寫[8]，意為快速特征嵌入的卷積結構，包含最先進的深度學習算法以及一系列的參考模型，圖2表示的是卷積神經網絡結構圖。Caffe深度學習框架主要依賴CUDA，IntelMKL，OpenCV，glog軟件以及caffe文件。本文使用的各個軟件版本說明，如表1所示。

Caffe深度學習框架提供了多個經典的卷積神經網絡模型，卷積神經網絡是一種多層的監督學習神經網絡，利用隱含層的卷積層和池采樣層是實現卷積神經網絡特征提取功能，卷積神經網絡模型通過采取梯度下降法最小化損失函數對網絡中的權重參數逐層反向調節，通過頻繁的迭代訓練來提高網絡的精度。卷積神經網絡使用權值共享，這一結構類似于生物神經網絡，從而使網絡的復雜程度明顯降低，并且權值的數量也有大幅度的減少，本文使用這些模型直接進行訓練，和傳統的圖像分類算法對比，性能有很大的提升，框架系統訓練識別基本流程如圖3表示。

1.3 圖像分類特征提取

卷積神經網絡的結構層次相比傳統的淺層的神經網絡來說，要復雜得多，每兩層的神經元使用了局部連接的方式進行連接、神經元共享連接權重以及時間或空間上使用降采樣充分利用數據本身的特征，因此決定了卷積神經網絡與傳統神經網絡相比維度大幅度降低，從而降低計算時間的復雜度。卷積神經網絡主要分為兩個過程，分為卷積和采樣，分別的對上層數據進行提取抽象和對數據進行降維的作用。

本文以Caffe深度學習框架中的 CIFAR-10數據集的貓的網絡模型為例，如圖4所示，對卷積神經網絡模型進行訓練。CIFAR-10是一個標準圖像圖像訓練集，由六萬張圖像組成，共有10類（分為飛機，小汽車，鳥，貓，鹿，狗，青蛙，馬，船，卡車），每個圖片都是32×32像素的RGB彩色圖像。通過對數據進行提取和降維的方法來提取圖像數據的特征。

2 實驗分析

將貓的圖像訓練集放在train的文件夾下，并統一修改成256×256像素大小，并對貓的圖像訓練集進行標記，標簽為1，運行選擇cpu進行訓練，每進行10次迭代進行一次測試，測試間隔為10次，初始化學習率為0.001，每20次迭代顯示一次信息，最大迭代次數為200次，網絡訓練的動量為0.9，權重衰退為0.0005，5000次進行一次當前狀態的記錄，記錄顯示如下圖5所示，預測的準度在98%以上。而相比傳統的圖像分類算法BP神經網絡網絡的收斂性慢，訓練時間長的，網絡的學習和記憶具有不穩定性，因而卷e神經網絡框架在訓練時間和預測準度上具有非常大的優勢。

3 結束語

本文使用Caffe深度學習框架，以CIFAR-10數據集中貓的網絡模型為例，構建小型貓的數據集，提取貓的圖象特征信息，最后和目標貓圖像進行預測，并和傳統的圖像分類算法進行對比，預測的準確率有很大的提升。

參考文獻：

[1] 楊錚， 吳陳沭， 劉云浩. 位置計算： 無線網絡定位與可定位性[M]. 北京： 清華大學出版社， 2014.

[2] 丁士折. 人工神經網絡基礎[M]. 哈爾濱： 哈爾濱工程大學出版社， 2008.

[3] McClelland J L， Rumelhart D E， PDP Research Group. Parallel distributedprocessing[J]. Explorations in the microstructure of cognition， 1986， 2.

[4] Hopfield J J. Neural networks and physical systems with emergent collectivecomputational abilities[J]. Proceedings of the national academy of sciences， 1982， 79（8）： 2554-2558.

[5] Ackley D H， Hinton G E， Sejnowski T J. A learning algorithm for boltzmannmachines[J]. Cognitive science， 1985， 9（1）： 147-169.

[6] Kohonenmaps T. Self-Organized Formation of Topologically Correct Feature Maps[J]. Biological Cybernetics，1982， 43（1）： 59-69.

篇4

【關鍵詞】遺傳算法；BP神經網絡；柴油機；故障診斷

柴油機缸蓋振動信號中包含著豐富的工作狀態信息，在對其現代診斷技術中，基于振動信號分析的診斷方法顯示出了其優越性，利用缸蓋振動信號診斷柴油機故障是一種有效方法。故障特征的提取和故障類型的識別是利用振動信號分析法在對柴油機進行故障診斷過程中兩個最為重要的過程。根據提取的故障特征識別柴油機的故障類型是一個典型的模式識別問題，對柴油機故障類型識別采用恰當的模式識別方法就尤為重要。神經網絡作為一種自適應的模式識別技術，其通過自身的學習機制自動形成所要求的決策區域，而不需要預先給出有關模式的經驗知識和判斷函數；它可以充分利用狀態信息，對來自于不同狀態的信息逐一進行訓練而獲得某種映射關系。鑒于其自身特性，在故障模式識別領域中有著越來越廣泛的應用。而據統計，有80%～90%的神經網絡模型都是采用了BP網絡或者是它的變形。BP網絡是前向網絡的核心部分，是神經網絡中最精華、最完美的部分。但是它也存在一些缺陷，例如學習收斂速度、不能保證收斂到全局最小點、網絡結構不易確定。遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法。其基本操作是選擇、交叉和變異，核心內容是參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計和控制參數的設定。遺傳算法通過種群隨機搜索，對數據進行并行處理，將結果收斂到全局最優解。因此，將遺傳算法與BP神經網絡結合應用于柴油機故障診斷中，可以提高網絡的性能，避免網絡陷入局部極小解，進而實現對設備故障的識別。

1 BP神經網絡

1.1 BP神經元模型在柴油機故障診斷中的應用

BP神經網絡是一種多層前饋型神經網絡，其神經元的傳遞是S型函數，輸出量為0至1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。由于權值的調整采用反向傳播學習算法，因此也稱為其為BP網絡。

圖1 BP神經元模型

上圖給出一個基本的BP神經元模型，它具有R個輸入，每個輸入都通過一個適當的權值和ω下一層相連，網絡輸入可表示為：

a=f（wp+b）

f就是表示輸入/輸出關系的傳遞函數。

BP神經網絡的結構與所有影響齒輪故障的特征因素有關。柴油機運動部件多而復雜，激勵源眾多且其頻率范圍寬廣，加之噪聲的融入，使得柴油機表面振動信號極為復雜。基于這種特點，可以確定用于柴油機故障診斷的BP神經網絡的輸入層、輸出層隱含層以及節點數等。由小波包提取各柴油機故障的特征值作為輸入節點，輸出節點數目與柴油機故障類別的數目有關。

1.2 BP神經網絡與遺傳算法

BP神經網絡又稱為反向傳播算法，其算法數學意義明確、步驟分明，是神經網絡中最為常用、最有效、最活躍的一種網絡模型。常用方法梯度下降法和動量法，但是梯度下降法訓練速度較慢，效率比較低，訓練易陷入癱瘓，而且其實質是單點搜索算法，不具有全局搜索能力；動量法因為學習率的提高通常比單純的梯度下降法要快一些，但在實際應用中速度還是不夠；BP神經網絡學習訓練開始時網絡的結構參數是隨機給定的，因此結果存在一定的隨機性。

遺傳算法（Genetic Algorithm，GA）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，它是由美國密歇根大學的J.Holland 教授于1975年首先提出來的，遺傳算法具有很強的宏觀搜索能力和良好的全局優化性能，因此將遺傳算法與BP神經網絡結合，訓練時先用遺傳算法對神經網絡的權值進行尋找，將搜索范圍縮小后，再利用BP網絡來進行精確求解，可以達到全局尋找和快速高效的目的，并且可以避免局部極小點問題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，從而增強了在搜索過程中自動獲取和積累搜索空間知識及自應用地控制搜索的能力，從而使結果的性質得以極大的改善。

2 基于遺傳算法的BP神經網絡

遺傳算法優化BP神經網絡主要分為：BP神經網絡結構確定、遺傳算法優化權值和閥值、BP神經網絡訓練及預測。其中，BP神經網絡的拓撲結構是根據樣本的輸入/輸出個數確定的，這樣就可以確定遺傳算法優化參數的個數，從而確定種群個體的編碼長度。因為遺傳算法優化參數是BP神經網絡的初始權值和閥值，只要網絡結構已知，權值和閥值的個數就已知了。神經網絡的權值和閥值一般是通過隨機初始化為[-0.5，0.5]區間的隨機數，這個初始化參數對網絡訓練的影響很大，但是又無法準確獲得，對于相同的初始權重值和閥值，網絡的訓練結果是一樣的，引入遺傳算法就是為了優化出最佳的初始權值和閥值。

2.1 基于遺傳算法的BP神經網絡在柴油機故障診斷中的應用

通過基于遺傳算法的BP神經網絡建立小波包特征量與故障之間的對應關系。表1為柴油機常見故障在不同頻段的能量分布，構成了人工神經網絡的訓練樣本。表2為網絡輸出樣本，“0”代表沒有故障，“1”代表發生故障。利用表1中的訓練樣本對基于遺傳算法的BP神經網絡進行訓練，經1000次訓練達到了理想訓練效果。

表1 訓練樣本

表2 網絡理想輸出

表3 待診斷的故障樣本

表4 診斷結果

將表3中的待診斷的故障樣本輸入到已經訓練好的BP神經網絡，得到診斷結果如表4所示。第1組待診斷的信號第1個輸出節點接近1，可以根據訓練樣本結果判斷該組數據故障為供油提前角晚；第2組待診斷的信號第4個輸出節點接近1，根據訓練樣本結果可以判斷該組數據故障類型為供油提前角早；第3組待診斷的信號第7個數據節點接近1 ，可以判斷故障類型為針閥卡死，其診斷結果和現場勘查結果一致。

3 結語

遺傳算法優化BP神經網絡的目的是通過遺傳算法得到更好的網絡初始值和閥值。通過以上研究可以看出，遺傳算法和BP算法有機的融合，可以有效地彌補BP神經網絡結構、權值和閥值選擇上的隨機性缺陷，充分利用了遺傳算法的全局搜索能力和BP神經網絡的局部搜索能力，克服了傳統的BP神經網絡柴油機故障診斷的缺點，提高了柴油機故障診斷的精度。

【參考文獻】

篇5

關鍵詞：神經網絡 入侵檢測；自動變速率；隨機優化算子

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）03-0614-03

隨著互聯網應用的發展，更現顯了網絡安全的重要性。入侵檢測技術在安全防護中是一種主動防護技術，能及時地檢測各種惡意入侵，并在網絡系統受到危害時進行響應，因此在為安全防御體系中入侵檢測系統占有重要的地位。但是在現實的應用中，入侵檢測系統沒有充分發揮其作用。這是因為，不斷變化的入侵方式要求入侵檢測模型必須具有分析大量數據的能力。無論這些數據是不完全的，是非結構化的，或者是含有噪音的。而且，有些攻擊是由處于不同網絡位置上的多個攻擊者協作進行的，這就要求入侵檢測模型又必須具備處理來自非線性數據源的大量數據的能力。神經網絡具有聯想記憶能力、自學習能力和模糊運算的能力。因此將神經網絡應用入侵檢測中，它不僅可以識別出曾見過的入侵，還可以識別出未曾見過的入侵。該文首先介紹了一種改進的神經網絡算法，然后分析了該算法在入侵檢測中的應用，并給出試驗仿真結果。

1 BP神經網絡與入侵檢測

1.1 BP神經網絡的特點與不足

BP神經網絡是神經網絡模型中應用最廣泛一種。它基于成熟的BP算法，主要有以下幾個特點：1）它能夠實現自組織、自學習，根據給定的輸入輸出樣本自動調整它的網絡參數來模擬輸入輸出之間的非線性關系。2）在存儲上采用分布式存儲，所有的信息分布存儲在每一個神經元中。3）它還可以實現并行處理，下一層的每個神經元可以根據接收到的上一層信息同時獨立地計算。這些特點使其很適合應用于入侵檢測技術，滿足入侵檢測的適應性、可靠性、安全性和高效性的要求。

但是傳統的BP算法也存在著以下幾個方面的不足：1）局部極小；2）學習算法收斂速度慢；3）隱含層節點選取缺乏理論；4）加入新的樣本會影響已經學完的樣本；5）每次輸入樣本特征的數目必須確定且相同。

1.2 入侵檢測技術

通過對系統數據的分析，當發現有非授權的網絡訪問和攻擊行為時，采取報警、切斷入侵線路等措施來維護網絡安全，這被就是入侵檢測技術。采用此技術設計的系統稱為入侵檢測系統。根據采用的技術來說入侵檢測系統應具有以下幾個特性：1）監視用戶及系統活動；2） 分析用戶及系統活動；3） 異常行為模式分析；4） 識別已知的進攻活動模式并反映報警；5） 系統構造和弱點的審計，操作系統的審計跟蹤管理；6） 評估重要的系統和數據文件的完整性，并識別用戶違反安全策略的行為。

目前最常用的攻擊手段有：拒絕服務、探測、非授權訪問和非授權獲得超級用戶權限攻擊。而且這些攻擊手段在實際中還有很大的變異，因此給入侵檢測帶來了一定的難度。BP神經網絡的自組織自學習能力，使得經過訓練后的BP神經網絡對以前觀察到的入侵檢測行為模式進行歸納總結，除了可以識別出已經觀察到的攻擊，還可以識別出由已知攻擊變異出的新的攻擊，甚至是全新的攻擊。

2.3 改進的神經網絡算法

人工神經網絡在模式識別、非線性處理、信號檢測等領域應用非常多，這是由于人工神經網絡具有的良好的自適應和自組織性，高度的非線性特性以及大規模并行處理和分布式信息存儲能力的特性。BP神經網絡算法實質上是非線性優化問題的梯度算法，該算法在收斂性問題上存在限制與不足。即該算法學習的結果不能保證一定收斂到均方誤差的全局最小點，也有可能落入局部極小點，使算法不收斂，導致陷入錯誤的工作模式。因此本文選擇了改進的神經網絡，改進主要有以下幾點：

2）自動變速率學習法

傳統的BP算法是以梯度為基礎，采用LMS學習問題的最陡下降法，學習步長是一個固定不變的較小值，不利于網絡的收斂。因此，選擇了基于梯度方向來自動調節學習速率的方法。利用梯度確定學習的方向，由速率決定在梯度方向上學習的步長。因此，如果相鄰兩次的梯度方向相同則說明在該方向是有利收斂的方向，如果相鄰兩次的梯度方向相反則說明此處存在不穩定。因此，可以利用兩次相對梯度變化來確定學習步長，當兩次梯度方向相同時則增大學習步長，加快在該方向上的學習速度；而如果兩次梯度方向相反那么減小學習步長，加快整個網絡的收斂速度。這種方法的自適應速率調節公式如下：

2）引入遺忘因子

本文所采用的自適應變速率學習法是依據相鄰兩次梯度變化來確定學習步長的算法，但單純的學習速率的變化還不能即完全地既保證收斂速度，又不至于引起振蕩。因此考慮變相的學習速率的學習。即在權值的調節量上再加一項正比于前幾次加權的量。權值調節量為：

我們將[τ]稱為遺忘因子。遺忘因子項的引入就是對學習過程中等效的對學習速率進行微調的效果。遺忘因子起到了緩沖平滑的作用，使得調節向著底部的平均方向變化。

3）隨機優化算子

雖然采用自動變速率學習法，并引入遺忘因子的神經網絡算法可以對學習速率進行微調，但是仍存在著BP神經網絡的限制與不足因此引入隨機優化算子。也就是當網絡的權值誤差迭代一定的次數后，仍沒有明顯的收斂，或者系統誤差函數的梯度連續幾次發生改變，這說明網絡進入了一個比較疲乏的狀態，需要借助外界的推動力來激活網絡。當發現上述的兩種情況時，就產生與權值維數相同的隨機數，并將隨機數與權值直接相加，然后判斷系統誤差的變化。如果誤差沒有降低，那么就再繼續產生隨機數來修改權值，直到誤差減少，再從新的權值開始繼續BP算法。隨機優化算子可以令搜索方向隨機變化，從而擺脫局部極小點。

4）改進算法與傳統算法比較

以200個訓練樣本為例，分別采用改進的BP神經網絡和經典BP神經網絡的方法進行學習、訓練。兩種算法的誤差收斂對比曲線如圖1所示。

3 采用改進算法的入侵檢測仿真實驗

入侵檢測系統進行測試和評估需要標準的、可重現的并包含入侵的大量數據。本仿真實驗選取DARPA數據集網絡連接數據集作為實驗數據。然后，對這些數據選三組特征值進行實驗，并給出實驗結果。

3.1 數據源的選取

該實驗的數據采用DARPA 1988入侵檢測評估數據庫的數據。該數據有大量的連接數據記錄。每個一記錄代表一次網絡連接，且每個記錄均有41個特征值，其中各個特征的含義不同，大致可分為三類：1）表示網絡連接內容特征；2）表示網絡連接基本特征；3）表示網絡連接流量特征。

模擬的入侵主要有以下四種類型：DOS 、 R2L、U2R、Probing，考慮到設計的實用性分別對三類特征值用神經網絡分別進行訓練和識別。實驗選取了13000組數據進行仿真實驗，其中3000組用于訓練神經網絡，10000組用于系統測試。

3.2 仿真實驗結果

對三類特征組的訓練集數據應用改進神經網絡分別訓練出三個神經網絡，表示網絡連接內容特征的神經網絡，表示網絡連接基本特征的神經網絡以及表示網絡連接流量的特征的神經網絡在訓練成功時的迭代步數分別為7056，386，3030。然后再對測試集數據進行測試，結果如下：

1）表示網絡連接內容特征組，利用改進神經網絡進行檢測識別，結果如表1所示。

2）表示網絡連接基本特征組，利用改進神經網絡進行檢測識別，結果如表2所示。

3）網絡連接流量特征組，利用改進神經網絡進行檢測識別，結果如表3所示：

從表中數據可以看出對常見的四種攻擊，不同的特征分組在改進神經網絡的作用下檢測各有優勢。

4 結論

論文采用自動變速率學習法，利用遺忘因子進行微調，同時引入隨機優化算子對BP神經網絡進行了改進。改進神經網絡的收斂速度比經典BP神經網絡更快，同時穩定性也較好。并將該算法應用于入侵檢測實驗，實驗結果顯示改進后的算法具有較好的識別攻擊的能力。

參考文獻：

[1] 肖道舉，毛輝.BP神經網絡在入侵檢測中的應用[J].華中科技大學學報，2003（5）.

[2] 汪潔.基于神經網路的入侵檢測系統的設計與實現[J].計算機應用與軟件，2013（5）.

篇6

關鍵詞：成績采集；模式識別；神經網絡；特征提取

中圖分類號：G80 文獻標識碼：A 文章編號：1007-9416（2017）03-0069-01

對于未實行高考口語人機對話的省市，高考口語還是采用打分模式。然后人工采集，為解決這一問題，通過識別手寫評分和OCR識別結果比對確保成績采集的準確。而神經網絡很適合用于解決字符識別問題。

1 BP神經網絡

人工神經網絡是在人類對其大腦神經網絡認識理解的基礎上人工構造的能實現某種功能的神經網絡，是一種典型的前饋神經網絡，包含輸入層、隱層及輸出層。

BP網絡是典型的多層網絡，分輸入層、隱含層和輸出層，算法由數據流的前向計算和誤差信號的反向傳播兩個過程構成。通過這兩個過程的交替進行，在權向量空間執行誤差函數梯度下降策略，動態迭代搜索一組權向量，使網絡誤差函數達到最小值，從而完成信息提取和記憶過程[1]。

2 基于神經網絡的英語口語成績采集的實現

為實現更好的采集，需要設計適應識別的評分表，其中定位點、考生條碼用于定位到考生并采集成績，等級手寫的分區需要通過神經網絡識別等級，OCR等級識別區用采集等級并通過神經網絡采集的等級進行比較。

2.1 采集過程

首先預處理圖像獲取樣本進行訓練，輸入神經網絡訓練后輸出看誤差并調整各階層的權值讓輸出同OCR值一致，正式識別兩種模式結果不一致需要人工干預，有可能等級打錯也有可能等級涂錯，然后修正結果，確保等級信息準確無誤。

2.2 圖像預處理

原始評分表的輸入有可能產生污點等噪音。所以在識別之前必須對圖像進行預處理。預處理一般包括圖像分割、灰度、二值化、平滑、去噪音、歸一化和細化等。不同識別方法對于處理要求不一樣預處理后離散和噪聲和歸一化和細化處理，將圖片形成一個40 ×40 像素點陣（圖1得分區圖像預處理后圖像）。

2.3 神經網絡的特征提取

在手寫等級識別中，特征的選擇是非常關鍵問題。將經過預處理后的等級數字圖像中提取最能體現這個字符特點的特征向量，然后提取出訓練樣本中的特征向量代入BP網絡之中就可以對網絡進行訓練，提取出待識別的等級樣本中的特征向量代入訓練好的BP網絡中，就可以對等級得分字符進行識別。

2.3.1 英語口語成績采集中BP神經網絡結構

將A、B、C、D等級圖像的特征向量作為神經網路的輸入，確定輸入神經元。經過預處理的為40×40的矩陣，共1600各輸入神經元。輸出較為簡單，只要識別A、B、C、D4個等級，輸出節點數為4。為加快神經網絡學習速度，3層BP網絡最為恰當效率高。同時根據網絡收斂性能的好壞來確定隱含層神經元個數。根據經驗公式：

s=

其中，n為輸入層神經元個數，m為輸出層神經元個數[2]。計算可得隱含層神經元個數為79。

2.3.2 BP神經網絡的訓練

手寫字符歸一化和細化后的圖像為40 ×40 的布爾矩陣，1600個元素組成一個手寫字符的列矩陣，即字符的特征向量。由A、B、C、D這4個字符的特征列向量組成一個1600×4的輸入矢量，訓練次數達到最大值神經網絡訓練就結束。

2.3.3 口語等級識別等分結果

字符識別的正確率和拒識率與字符識別的判斷值有關，判斷值越高，識別的正確率就高。為確保成績錄取100%正確，通過識別和OCR識別比較，不同再通過人工識別錄入確保準確（圖2成績自動識別等分）。

神經網絡在口語成績登分中的應用過程中大大減輕勞動強度，提高準確率，通過多重比對確保成績錄入準確，經過實踐應用和比對成績登分準確率100%，完全可以滿足實際需要。

參考文獻

篇7

關鍵詞：神經網絡 應用 經濟預測 改進

神經網絡作為新時展最快的人工智能領域研究成果之一，在科學計算、自動控制等方面得到了成功的運用。近年來，我國學者們將神經網絡運用于經濟預測領域，并且不斷地改進應用方法，使基于神經網絡的經濟預測系統更具效益。本文在此背景下，對神經網絡經濟預測的應用進行了研究，圍繞經濟預測的方法應用提出相應的改進建議，從而豐富了經濟增長預測理論與實踐。

一、神經網絡經濟預測的方法的概述

1.概念

神經網絡，是對人腦或自然神經網絡若干基本特征的抽象和模擬。從解剖學和生理學的角度來看，人腦是一個復雜的并行系統，他是由大量的細胞組合而成，這些細胞相互連接。神經細胞與人體中的其他細胞的關鍵區別在于，神經細胞具有產生、處理和傳遞信號的能力。在人工神經網絡的發展過程中，對生物神經系統進行了不同模擬，提出了各種各樣的神經網絡模型，其中具有代表的網絡模型有感知器神經網絡、線性神經網絡、BP網絡、徑向基函數網絡、自組織網絡。

2.特征

神經網絡經濟預測的方法不同傳統的預測方法，它對經濟系統里的多種因素進行分析，進行有效地多輸入、多輸出的經濟預測數據。可以說神經網絡經濟預測的方法具有以下幾種特征：其一，由于神經網絡是由復雜的因素構成的，它的輸入向量維數比較多。其二，經濟系統數據具有很強的非線性，使得輸入的向量各分量之間存在著復雜的耦合關系。其三，經濟系統處在一個“黑箱”模型下，導致數據之間的相互影響不存在明確表達式的關系。神經網絡也會隨著時間的增長，數據呈現出增長的趨勢。

3.優勢

用神經網絡進行經濟預測相對來說比較準確。因為這種神經網絡在計算量允許的范圍內，可以很好地擬合任意多對多的映射關系，數據擬合的結果表明，系統擬合相對誤差在0%—0.75%，比采取回歸分析逼近效果好。此外，神經網絡各層節點之間的聯結權數及閾值恰好可以表達經濟系統中各個因素之間相互交織、相互影響的強耦合關系.而采取多元回歸模型。

往往只能引入少量耦合項以避免模型過于復雜而無法求解.因此，神經網絡比傳統的多元回歸預測方法有更好的擬合能力和準確度。神經網絡的方法是比較適合對經濟預測的，因為它只需要少量訓練樣本就可以確定網絡的權值和閾值從而預測出宏觀經濟發展趨勢，計算簡單、快捷、可靠。總而言之，神經網絡經濟預測方法具有顯著的優勢，是比較適合經濟預測的應用過程的。

二、神經網絡經濟預測方法應用的改進

由于商業、政府和工業所產生的預測間題，其復雜程度越來越高，以致于現有的預測系統難于解決，這就要求我們的預測系統能夠處理復雜度增加的問題，進一步擴展傳統神經網絡預測方法的能力，使得神經網絡系統理論的不斷發展和完善、新的神經網絡預測方法的不斷產生，使得神經網絡預測模型更加實用化、現代化，會給商貿和工農業生產帶來巨大的經濟效益。以下是本人對神經網絡經濟預測方法應用改進的建議：

首先，我們要改進神經網絡經濟預測的過程。確定預測的目的，制定預測的計劃。經濟預測首先要確定預測的目的，從決策和管理的需求出發，緊密聯系實際需要與可能，確定預測要解決的問題。預測計劃是根據預測目的而制定的預測方案，包括預測的內容、項目，預測所需要的資料，準備選用的預測方法，預測的進程和完成的時間以及預測的預算、組織實施等。只有目的明確、計劃科學的預測，才可保證預測的順利進行。

其次，建立新的神經網絡經濟預測模型。經過求增長率再進行歸一化的處理，在給出的以往的數據的增長率范圍內，網絡就可能不再陷入訓練“盲區”。.當采用了足夠年限的已知數據并將其增長率歸一化以后，“被預測年”數據的增長率可能不再會大于那些“已知年”數據的增長率.則外延問題可以得到基本解決。

最后，對神經網絡經濟預測結果進行檢驗，減小誤差。經濟預測是立足于過去及現在的已知推測未來的未知，而過去和現在終歸不是未來，預測結果和未來實際值不可能絕對相符，存在的差異就是預測誤差。為了使預測誤差最小化，檢驗結果通過試探性的反復試驗來確定，預測準確度應盡可能進行外推檢驗。

三、總結

神經網絡經濟預測的方法相對于其他的經濟預測方法，具有獨特的、顯著的優勢，我們可以利用好其優勢，從而有助于我們更好的對經濟發展進行預測分析，從而把握好經濟發展動向，為經濟決策提供依據。因此，我們應當根據社會發展需要，不斷改進神經網絡經濟預測方法的應用，使其效能最優化，為我國經濟發展助力。

參考文獻：

[1]陳健，游瑋，田金信.應用神經網絡進行經濟預測方法的改進[J].哈爾濱工業大學學報，2006（06）

篇8

【關鍵詞】建筑經濟管理；神經網絡

中圖分類號：TU198文獻標識碼： A

一、前言

建筑經濟管理在我國是一個非常重要的行業，為社會的進步提供了夯實的基礎，但是在神經網絡的應用這方面還是存在一定的問題，所以，科學技術人員在這個方面還是很努力的研究，并且促使這個技術發展更為全面。

二、神經網絡的特征及其信息處理特點

人工神經網絡(Application of Neural Network，即:ANN)是一種對人腦中樞神經系統的生物神經結構進行的功能性抽象，在模式識別和分類領域顯示了強大的能力，它們以“黑箱”模式工作，不需要先驗模型，具有自適應能力，可以從數據中捕捉和學習規律，其計算能力在預測和評估、模式識別和優化等領域得到了廣泛驗證。神經網絡尤其適合解決那些采用傳統的數學方法和手段建模困難的復雜問題，并已被證明是解決復雜非線性問題的一種有效工具。

1、神經網絡的基本特征

（1）內在并行性。神經網絡是一個高度并行的非線性系統，其并行性不僅體現在結構上，它的處理運行過程也是并行的。神經網絡從單個處理單元到整個系統，在理論和實踐上都反映了并行性，計算是分布在多個處理單元上同時進行的。

（2）分布式存儲。與傳統計算機不同，神經網絡中信息并非存儲在一個特定的存儲區域，而是分布存儲在整個系統中。神經網絡的每一個神經元都只是整體概念的一個部分，每一個單元都包含著對整體的貢獻，而每一個單元都無法決定整體的狀態。

（3）容錯性。因為信息是分布存儲在整個系統中，而不是駐留在某一個特定的存儲區域內，因此，網絡中部分神經元的誤差不會在很大程度上影響改變整個系統的行為。

（4）學習與自適應性。神經網絡的一個重要特點是具有很強的學習能力，它可以通過對數據的監督或非監督學習，實現任意復雜的函數關系，而且整個網絡具有自適應性，即進行自我調節的能力。

2、神經網絡的信息處理特點

神經網絡的基本特征使其在信息處理上具有與傳統信息處理技術不同的特點。

（1）數據驅動、“黑箱”建模方式。神經網絡通過訓練能夠直接從數據中發現規則和特征，實現任意復雜的函數映射。這種學習能力使得神經網絡分析和建模過程相當于一個“黑箱”，既無需模型結構設計和參數估計過程，而且在沒有輸入模式先驗信息的情況下，通過數據驅動取得優良的結果。

（2）非編程、自適應的工作方式。神經網絡的學習是便利而且可塑的，在網絡整體結構不變的情況下，只需調整權值即可完成任意關系的學習，通過遞進補充訓練樣本即可跟蹤和適應外界環境的不斷變化。因此，神經網絡的工作方式可以是實時的和自適應的。

（3）信息處理與存儲合二為一。神經網絡在運行時信息處理與存儲同時完成，信息的隱含特征和規則分布于神經元狀態和權值之上，通常具有冗余性。這樣，當不完全信息或含噪信號輸入時，神經網絡就可以根據這些分布記憶進行聯想以恢復全部信息。同時，這種合二為一的方式從本質上消除了軟件和算法的“瓶頸效應，”提供了實現高速信息處理的手段。

（4）實時信息處理。神經網絡是一個大規模非線性動力學系統，具有高維、高密度的并行計算結構。大量神經元的微觀活動構成了神經網絡的整體宏觀效應。這種集體運算能力使得神經網絡可以完成高維數據的在線實時處理。

三、建筑經濟管理研究面臨的問題

1、對系統的非線性認識不足

(1)忽視了系統內各變量之間復雜的非線性關系，過分強調先驗假設。建筑活動在理論和實踐中有明顯的非線性和復雜性。建筑經濟管理問題的本質上是因為現實的復雜性導致的非線性。建筑活動隨時代和環境的變遷表現出其非線性特征。一方面，建筑經濟管理問題的線性假沒體現了系統特殊性。但另一方面，系統建模時所使用的理論總是落后于現實，這是因為其相關理論發展的滯后性，而這又是由于其非線性和復雜性引起的。

(2)忽視數據本身效用，過分依賴理論指導。模型的函數形式很難僅僅通過理論考慮獲得。在實踐中選擇理論框架既是十分重要又是十分困難的。

2、對系統變量自身特征的認識不足

(1)變量(數據)的高噪聲。采集、編制建筑經濟管理數據時會有很多誤差，再加上諸多外在因素的沖擊造成了波動強烈變形，所以數據是包含有許多“奇異點”而且是高噪聲。

(2)變量的高度不確定性。目前經濟學界對不確定性沒有一個統一的定義，一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機變量的方差來定義，通常稱為概率型不確定性，也可稱為“風險”。另一種定義是一種沒有穩定概率的隨機事件，稱為非概率型不確定性。

(3)變量不同程度的模糊性。一定的模糊性是大多數建筑管理問題變量的特點。現實中的不分明現象就是模糊性。而從一種狀態過度到另一種有差異的狀態的過程中，中間發生了量變到質變的連續過程。總之，常常需要解決建筑管理中的決策、優化等非線性問題，由于它們的一次性、高度動態性和復雜性的特點，建筑管理的信息是隨機的，具有非線性和時變性，相應的變量也有不確定性、高噪聲和模糊性的特點，因此搜集數據、分析因素等方面有相當大的難度。

四、ANN在建筑工程項目管理中的應用研究

1、ANN在造價預測方面的應用

汪應洛，楊耀紅(2004年)總結了ANN在費用估計方面的應用。采用BP網絡，用40個公路工程樣例訓練網絡，并用工程實例進行驗證，發現效果比傳統方法好。Tarek Hegazy(1998年)等用MS-Excel表格進行ANN模擬，并在輸入層和隱含層加入了偏置神經元來促進網絡學習。其缺點是由于網絡學習時的訓練樣本數據中有噪聲，會造成過度學習現象，運用規范化網絡可以解決這個問題。周麗萍，胡振鋒(2005年)在研究BP神經網絡在建筑工程估價中的應用時指出，可以利用神經網絡“特征提取器”的作用，從大量過去的工程資料中自動提取工程特征與預算資料的規律關系；由于神經網絡具有高度的容錯性，因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能；此外由于神經網絡是并行處理數據的，因而其處理速度相當快，這點滿足了快速估算要求，實踐證明是有效的。

2、ANN在工程項目管理績效評價中的應用

閆文周(2005年)等運用ANN中的BP網絡對工程項目管理績效評價問題進行研究，建立了一個綜合考慮項目工期、質量、費用、安全四大控制指標的工程項目管理績效評價模型。實例分析表明，其評價結果更加全面、更加符合實際情況，從而有助于促進工程項目管理水平的提高。基于BP神經網絡的工程項目管理績效評估模型，將影響工程項目管理績效的主要因素進行整合，通過神經網絡反映了工程項目工期、質量、成本、安全與項目績效之間復雜的非線性關系，從而使項目管理績效的評價更客觀。

3、Hop field網絡模型在建設工程評標中的應用

建設工程評標是一個多目標決策過程，評標過程中存在著大量的定性和模糊的因素，評標人很難快速做出準確客觀的評判。朱玉濤(2006年)等用ANN作為新型信息處理工具，在建設工程評標中可應用于優選中標企業。介紹了Hop field網絡模型構造及算法設計，包括進行方案優劣排序、換位矩陣以及能量函數構造、神經元之間連接和輸出，并用實例說明了該方法的優越性和實用性。應用Hop field網絡對非定量因素進行科學的分析，可以消除一些人為因素的影響，使評選結果更加合理。

4、BP網絡模型在建設工程招投標管理中的應用

BP網絡以其自學習、自聯想功能的優點在建設工程招投標中得到廣泛應用。楊中宣(2006年)結合人工神經網絡基本理論，介紹了它在工程招投標的招標價格、風險因素分析以及競標單位資格審查等方面的應用，指出利用人工神經網絡具有的高度并行處理和可完成復雜輸入輸出的非線性映射能力，不僅可以保證高的中標率，且可避免招標過程中不確定性因素的影響。

五、人工神經網絡的發展趨勢

人工神經網絡在建筑管理中的應用與研究，解決了不少該領域中的難題，顯現出廣闊的應用前景。但是，神經網絡作為新興學科，在理論和實踐中，還有很多不完善和不成熟的地方，又在一定程度上制約了它的實際應用。因此在利用人工神經網絡解決問題時，需要選定合適的網絡模型及網絡算法，同時還要加深人工神經網絡基礎理論方面的研究。

六、結束語

總而言之，就建筑經濟管理中神經網絡的應用這方面而言，這項技術的發展不僅使建筑經濟管理體系更加的完善，更加使人們的生活帶來了許多的便利條件，通過科學技術人員的不斷努力，會使為社會發展做出巨大的貢獻。

參考文獻

[1]王其文，劉廣靈.人工神經網絡與線性回歸的比較 決策與決策支持系統，2008（4）:22-26.

篇9

關鍵詞：概率神經網絡；沉積微相；地震相；判別模式；月桂峰組；麗水—椒江凹陷；東海陸架盆地

中圖分類號：P628+.1；TE121.3 文獻標志碼：A

0引言

沉積相分析是研究沉積環境、尋找隱蔽油藏及油氣評價中十分重要的問題。長期以來，沉積環境及沉積相研究主要是通過對鉆井取芯、巖屑錄井資料的分析來實現的，這不僅成本高、時效低，而且由于海上取芯難度大，取芯井很少，巖屑錄井又不準，因而很難做到對油田各井剖面地層沉積相的精確劃分和描述。利用地震相研究成果和測井曲線參數，通過神經網絡進行沉積微相識別能解決這一問題。

神經網絡是一種應用類似于大腦神經突觸連接結構，進行分布式并行信息處理的算法數學模型，具有非線性、非局限性、非常定性、非凸性4個基本特征，其依靠改變內部結構來對輸入和輸出間復雜的關系進行建模。神經網絡的結構是由大量神經元（又稱節點或單元）之間相互連接構成的。每個神經元代表一種特定的輸出函數，稱為激勵函數。每2個神經元間的連接都代表一個通過該連接信號的加權值，稱之為權重，這相當于神經網絡的記憶。神經網絡的輸出則因網絡的連接方式、權重值和激勵函數的不同而不同。因而，神經網絡提供了一種取代傳統統計判別方法的途徑[17]。

各種神經網絡在神經元內執行的計算以及訓練算法上存在差異。在沉積微相識別中，相對于常用的BP神經網絡[813]，概率神經網絡訓練速度快，容錯性強，不需要指定拓撲結構（隱含層和隱含節點的數目），而且概率神經網絡不僅可以用于分類，還可以返回樣本落在其他因變量范疇的概率[14]。基于此，筆者利用概率神經網絡對東海陸架盆地麗水—椒江凹陷古新統月桂峰組進行沉積微相識別，以期對該區下一步油氣勘探部署、提交油氣后備儲量以及合理開發油氣田提供借鑒。

1區域地質特征

東海陸架盆地是位于歐亞板塊中國東部大陸架東緣的中新生代裂谷型復合盆地，是中國海域最大的含油氣盆地之一[15]。麗水—椒江凹陷位于盆地的西南部，東部與雁蕩凸起、福州凹陷、閩江凹陷相鄰，西部和南部與閩江隆起區相隔，北部與錢塘凹陷相接，面積約23×104 km2（圖1）。自中生代以來，該凹陷以聚斂型板塊構造為特征，由一系列北東—南西向延伸、平行排列、形成時間向東逐漸變新的構造單元組成，主要包括麗東凹陷、麗南凹陷、麗西凹陷、椒江凹陷以及麗南凸起、靈峰凸起[1618]。古近紀時期，研究區接受巨厚的蓋層沉積，自下而上發育古新統月桂峰組、靈峰組、明月峰組以及始新統甌江組、溫州組地層。

2沉積體系和沉積微相類型厘定

沉積體系指在某一段時間地層單元內，根據物源性質、搬運過程、沉積作用和發育演變，把有內在聯系的各沉積相組成起來的一個連續體系，它能與相鄰的體系區分開。沉積體系類型及其空間分布規律的研究，對于進行各種尺度的儲層預測具有重要意義。沉積體系的空間分布特征主要取決于沉積動力學、氣候和物源特征以及構造破壞活動及控制作用等[19]。麗水—椒江凹陷古新統月桂峰組主體為湖相沉積環境，西側緩坡形成多個三角洲淺湖深湖沉積體系；東側陡坡由雁蕩凸起向西形成扇三角洲淺湖沉積體系（圖2）。

在參照研究區沉積體系研究結果的基礎上，根據有限的鉆井取芯資料，依據巖性、沉積構造、生物化石、巖相類型及組合規律詳細刻畫了巖芯與沉積微相之間的關系和面貌；結合地震相，劃分出東海陸架盆地麗水—椒江凹陷月桂峰組典型的沉積微相類型（表1）。

3概率神經網絡原理

3.3訓練算法

訓練神經網絡的目的是為了能用一組輸入矢量通過預先確定的算法調整網絡權值來產生一組所希望的輸出矢量。在訓練過程中，網絡權值是慢慢變更的。訓練概率神經網絡就是優化平滑因子，以盡量降低訓練集的誤差，并使用多層感知器優化。訓練時用來評估不同組平滑因子的誤差標準是根據累加層神經元返回的所有訓練樣本的所有值計算出來的。這種標準不僅考慮了正確范疇的概率分布，還考慮了不正確范疇的概率分布。而且，在計算一個訓練樣本的誤差時，會將該樣本從模式層暫時排除。這是因為在計算時被排除的神經元會算作一個零距離，降低其他神經元在計算中的重要程度。

3.4分類過程

累加層神經元的輸出值可視為每個類的概率密度函數預測。輸出神經元選擇概率密度函數值最高的范疇作為預測的范疇。

4沉積微相單元的分層

單井上沉積微相單元的劃分方法主要有利用測井曲線自動分層和人工分層2種。利用測井曲線自動分層的方法有多種：層內差異法、拐點法、活度法、組合分層法等。這些方法使測井曲線分層實現了自動化，提高了效率，但在解決分層問題時，都存在一定的缺陷[22]。因此，在利用層內差異法進行自動分層的基礎上，筆者進行適當的人工調整，提高了分層效率和分層精度，有效減小了概率神經網絡訓練樣本和輸入項的誤差。

5輸入層參數的選擇

5.1沉積相與地震相的關系

地震相是沉積體在地震反射剖面上各種特征的綜合反映。根據這些特征的不同，可以在剖面和平面上劃分出性質各異的地震相區。地震相在剖面上的分布特征間接反映了地震層序所對應沉積時期內沉積環境的剖面變化。按Brown等的概念[23]，地震相是指有一定分布面積的三維地震反射單元，其地震參數（如反射結構、振幅、連續性、

頻率和層速度）與相鄰單元不同，它代表了產生其反射的沉積物的一定巖性組合、層理和沉積特征。因此，地震相是地下地質體的一個綜合反映，是沉積相在地震剖面上表現的總和[2425]。研究區地震相和沉積相之間存在耦合對應關系（表2）。因此，在利用概率神經網絡預測沉積相時，選擇地震相作為概率神經網絡輸入項中的范疇自變量參數。

5.2測井曲線的選擇

為了有效劃分地層沉積相與鑒別地層的巖性，應盡可能多地采用各種測井參數；但各測井參數之間往往具有相關性，所反映的沉積微相信息往往有一定的重復，給隨后的神經網絡判別分析帶來很大困難[26]。因此，先采用主成分分析法，從a個樣本層具有復雜相關關系的b個測井參數中，提取最能反映沉積微相特征的少數幾個（p個）非相關的主成分（p

6模型的建立及沉積微相識別

利用MATLAB軟件工具箱建立概率神經網絡模型，包括輸入層、模式層、累加層和輸出層。輸入層參數為每個層段的地震相類型和測井參數平均值，包括1個范疇自變量和6個數值自變量。

通過東海陸架盆地麗水—椒江凹陷內數口井的詳細研究以及地質解釋資料，選取月桂峰組若干沉積微相層段作為概率神經網絡的學習樣本（在訓練概率神經網絡時，為了增大訓練樣本，提高神經網絡的識別精度和穩定性，可將每個測井深度點的每組數據作為一個學習樣本輸入進行訓練）。部分學習樣本參數見表3。

總共選用2 199個學習樣本對神經網絡進行訓練，經過65次試驗，搜索出變量的最佳平滑因子，建立研究區20種沉積微相類型的判別模式。最終，訓練誤差預測百分率、平均不正確概率和不正確概率標準差分別為0227 4%、1099 4%、5667 4%。測試參數的概率神經網絡訓練誤差見圖5。原始數據的回判檢驗效果也較好，測試參數的概率神經網絡檢驗誤差見圖6。

7結語

（1）在鉆井取芯較少的海上油氣資源勘探開發中，使用概率神經網絡對沉積微相進行預測，不僅能解決未取芯井沉積微相的識別劃分問題，而且識別速度快、穩定性高。

（2）研究區地震相和沉積相之間存在較好的耦合對應關系，且不同沉積微相具有不同的測井響應。沉積微相間的這些差異是利用概率神經網絡判別沉積微相的基礎。

（3）研究區最適合進行沉積微相分析的范疇自變量是地震相，最適合的測井數據是自然伽馬、自然電位、聲波時差、密度測井、補償中子、井徑測井曲線。

（4）將利用概率神經網絡識別后的結果與巖芯微相劃分結果相對比，發現前者的準確率達到90%以上。因此，該方法對沉積相研究具有很好的應用價值。但對于地震響應和測井響應相似的沉積微相的神經網絡判別方法還有待進一步探索。

參考文獻：

[1]李雙成，鄭度.人工神經網絡模型在地學研究中的應用進展[J].地球科學進展，2003，18（1）：6876.

[2]周金應，桂碧雯，李茂，等.基于巖控的人工神經網絡在滲透率預測中的應用[J].石油學報，2010，31（6）：985988.

[3]李道倫，盧德唐，孔祥言，等.BP神經網絡隱式法在測井數據處理中的應用[J].石油學報，2007，28（3）：105108.

[4]潘文超.以廣義回歸神經網絡預測共同基金報酬[J].長安大學學報：社會科學版，2007，9（4）：5558.

[5]胡世鵬，吳小林，馬利敏，等.基于BP神經網絡和遺傳算法的天然氣脫水裝置能耗優化[J].天然氣工業，2012，32（11）：8994.

[6]劉文超，盧祥國，劉進祥，等.一種基于BP神經網絡的調驅增油預測方法[J].西安石油大學學報：自然科學版，2012，27（1）：4752.

[7]唐勝利，唐皓，郭輝.基于BP神經網絡的空洞型采空區穩定性評價研究[J].西安科技大學學報，2012，32（2）：234238.

[8]吳燦燦，李壯福.基于BP神經網絡的測井相分析及沉積相識別[J].煤田地質與勘探，2012，40（1）：6871.

[9]吳永良，田景春，朱迎堂.神經網絡判識沉積微相的應用——以樁241塊為例[J].地質找礦論叢，2009，24（4）：317321.

[10]郭曦榕，黃地龍.一種基于神經網絡的沉積相識別方法[J].計算機應用與軟件，2007，24（3）：132134.

[11]許少華，陳可為，梁久禎，等.基于遺傳BP神經網絡的沉積微相自動識別[J].大慶石油學院學報，2001，25（1）：5154.

[12]秦亞玲，計平，鄭宇霞，等.神經網絡自動識別沉積微相在胡狀集油田的應用[J].斷塊油氣田，2001，8（1）：1012.

[13]楊莉娜，楊斌，魯洪江，等.五百梯氣田長興組儲層裂縫發育程度的常規測井神經網絡預測[J].中國石油勘探，2011，16（1）：6369.

[14]龐國印，唐俊，王琪，等.利用概率神經網絡預測成巖相[J].特種油氣藏，2013，20（2）：4347.

[15]黃正吉.中國近海優質烴源巖的發育特征及古生態標志[J].中國石油勘探，2012，17（5）：1016.

[16]張勝利，夏斌.麗水—椒江凹陷構造演化特征與油氣聚集[J].天然氣地球科學，2005，16（3）：324328.

[17]，姜亮，楊偉利.麗水—椒江凹陷斷裂構造運動學[J].地質科學，2000，35（4）：441448.

[18]仝志剛，趙志剛，楊樹春，等.低勘探程度盆地烴源巖熱演化及排烴史研究——以東海椒江凹陷為例[J].石油實驗地質，2012，34（3）：319324.

[19]紀友亮，李清山，王勇，等.高郵凹陷古近系戴南組扇三角洲沉積體系及其沉積相模式[J].地球科學與環境學報，2012，34（1）：919.

[20]張紹紅.概率神經網絡技術在非均質地層巖性反演中的應用[J].石油學報，2008，29（4）：549552.

[21]李曙光，徐天吉，唐建明，等.概率神經網絡儲層流體密度反演及應用[J].地質科技情報，2011，30（1）：7679.

[22]肖波，韓學輝，周開金，等.測井曲線自動分層方法回顧與展望[J].地球物理學進展，2010，25（5）：18021810.

[23]BROWN L F，FISHER J W L. Seismic Stratigraphic Interpretation and Petroleum Exploration[M].Boulder：AAPG，1980.

[24]黃鋒，李志榮，廖玲，等.利用地震資料進行沉積相分析[J].物探化探計算技術，2003，25（3）：197200.

[25]陳恭洋，陳玲，朱潔瓊，等.地震屬性分析在河流相儲層預測中的應用[J].西南石油大學學報：自然科學版，2012，34（3）：18.

篇10

>> 基于PCA—LDA與蟻群優化BP神經網絡的人臉識別算法 基于粒子群算法和神經網絡的人臉識別分類器研究 基于卷積神經網絡的人臉識別研究 基于BP神經網絡的人臉識別研究 基于PCA算法的人臉識別技術研究 基于改進PCA算法的人臉識別研究 基于MB_LBP和PCA算法的人臉識別研究 基于BP神經網絡的人臉識別算法的實現 基于模糊混沌神經網絡的人臉識別算法 基于卷積神經網絡的人臉識別 基于子圖分割和BP神經網絡的人臉識別方法 基于EMPCA和RBF神經網絡的人臉識別 基于改進PCA與FLD算法的人臉識別 基于模糊人工神經網絡的人臉識別研究 基于改進的LBP和PCA算法的人臉識別 基于并行PCA算法的人臉識別系統的研究 基于PCA和SVM的人臉識別 基于PCA和FLD的人臉識別方法 基于快速PCA―SVM的人臉識別研究 基于主分量分析的BP神經網絡人臉圖像識別算法 常見問題解答 當前所在位置：l.

[6]劉學勝.基于PCA和SVM算法的人臉識別[J].計算機與數字工程，2011（7）.

[7]廖海濱，陳慶虎. 基于因子分析的實用人臉識別研究[J].電子與信息學報，2011（7）.

[8]蔡曉曦，陳定方.特征臉及其改進方法在人臉識別中的比較研究[J].計算機與數字工程，2007（4）.