Levenberg-Marquardt算法的建模及在水敏损害预测中应用.pdfVIP

研 究与应用 化工自动化及仪表，2010，37(4)：86～88 ControlandInstrumentsinChemicalIndustry Levenberg—Marquardt算法的建模 及在水敏损害预测 中应用 宋文广 (长江大学 计算机科学学院，湖北 荆州 434023) 摘要： 通过研究Levenberg—Marquardt算法建立一套神经网络模型，用于预测油气层水敏的损害程度，为保 护油气层提供有力帮助。根据该算法研究设计的预测软件在克拉玛依油田的应用表明，预测水敏损害的精度达 到了良好的效果，为防止油田生产中的水敏损害起到了很好的预估防备作用。也为提高油气的生产和推广神经 网络系统在油气预测方面的应用起到了积极促进作用。 关键词： 神经网络；算法；建模；水敏损害 中图分类号：TP3 文献标识码 ：A 文章编号：1000—3932(2010)04-0086-03 1 引 言 入、输出，构造其模型见式(2)。 Levenberg—Marquardt(以下简称 LM)算法是梯 = (X ， ) (2) 度下降法和牛顿法的改进，梯度下降法在最初几步 式中：X = ，z] ， =[Y ，…Y ] ； 下降收敛速度较快，但随着接近最优值，由于梯度趋 — — 权值向量，可以通过调整权值向量使得模型 于零，致使 目标函数下降缓慢；而牛顿法9{《可在最优 的输出结果逼近真实值。这里 参数的确定就显得 值附近产生一个理想的搜索方 向。鉴于此，IM算 尤为重要 了。 法将两者结合 ，使这种结合变成程序参数，}}程序本 设输入层节点共m +1个，隐藏层节点 n个 ， 身随着当前形态的改变而趋于梯度下降法或牛顿 输出层节点n。个，当第 k个样本的原始数据 = 法，优点是在极小点附近有较快的收敛速度，从而很 [． … ，z]输入网络当中的时候，对应的隐藏 快找到最优值 。 2 LM 算法的建模和软件设计 单元净输入记为五 (=1，2，…，n)，隐藏单元对 LM算法是神经网络算法当中比较经典的一个 应的输出数据记为 (=1，2，…，n)，网络的最 算法，由梯度下降法和牛顿法改进而得。LM算法 终的输出层可以记为 ：Y (i=1，2，…，n。)，输入层 可 以如 (1)式来表示 ： 到隐藏层节点的连接权值记为：{ ：J．=1，2，…， W ‘“”=W¨‘一[ ¨‘+ ， ·， ‘E(W㈨) n+1； 1，2，…，n 。由此推导得到隐藏单元五 (k=0，1，2，…) (1) ， 对应隐藏单元的输出 ，预测结果单元Y“的计 若肛很大时，式(1)就是步长很小的梯度下降 算公式如下： 法；当 =0，则式(1)就成了近似的