混沌优化神经网络方法和地震多属性研究.pdfVIP

综合解释张贴报告 解释张贴26 混沌优化神经网络方法与地震多属性研究 安鸿伟 (清华大学自0艨黼磊桨微冒瓣热验划㈤) 摘要 针对传统的基于梯度下降法神经网络中存在 机性、非周期性和局部不稳定性，微观上有序有律并 非线性多极值目标函数易陷于局部最优解的问题， 不是完全的随机运动，具有无穷嵌套的自相似几何 提出了一种权值学习混沌优化的神经网络方法。非 结构、存在普适性规律，并不是杂乱无章的。利用混 线性动力系统具有初值敏感性、遍历性的特性，本文 沌变量的随机性、遍历性和规律性等特点可以进行 采用了基于混沌和梯度反传训练相结合来训练网 优化搜索。搜索过程按混沌自身的规律进行，而不 络，使网络的连接权在不断迭代过程中自适应演化。 像有些随机优化方法那样通过按照某种概率误差解 通过对实际过井地震剖面地震多属性研究实践，表 的方式来跳出局部最优解，因而更有可能逃离局部 明这种混沌优化学习方法可以克服传统方法的不 极小点，但是某些状态需要很长时间才能达到，如果 足，提高网络的预测能力。 最优值在这些状态时计算时间势必很长。本文针对 关键词 混沌优化 神经网络 全局最优 地震多 传统的BP神经网络方法易陷入局部最优解的问 属性 题，采用了基于混沌优化和基于梯度反传训练相结 合来训练网络，可以使网络在接个相空间进行搜索， 引 言 从而避免网络在运行过程中陷入局部极小值，同时 又可以提高收敛速度。通过对一条过井地震剖面地 神经网络具有学习、并行处理、容错、记忆等能 震多属性油气检测的实际应用，表明这种混沌优化 力，在各领域得到广泛的应用11J。神经网络的关键 学习方法可以克服传统方法的不足，提高网络的推 技术是网络结构、权值训练方式及学习规则的设计， 广预测能力。 在网络结构和学习规则一定的情况下，网络权值的 整体分布包含着网络系统的全部知识。对于目前最 基于混沌特性的优化方法 常用的基于梯度下降原理的BP(Back propagation 混沌 algorithm)神经网络，权值的获取方法是采用某个确 定的权值变化规则，然后在训练中逐步调整，最终得 混沌是指在确定性系统中出现的一种貌似无规 到一个较好的权值分布，但它往往会因非线性多极 则的，类似随机的现象。从数学上讲，对于确定的初 值目标函数而陷于局部最优解。针对权值学习规 始值，由动力系统就可以推知该系统的长期行为甚 则，近年来，许多学者提出了不同的有效改进方 至追溯其过去的状态。但是大量的实例表明，有很 法L2j。实际上，网络中神经元之间的连接权是权值 多系统，当初始值产生微小的变化时，其系统的长期 初值和学习规则的函数，学习规则确定后，网络的收 状态有很大变化，以致于表现出一种无法预测的类 敛性与其连接权的初值有密切的关系，初值选的不 似“随机”现象，这就是混沌。值得注意的是，这种随 好，学习过程中BP网络有可能陷入局部极小点，或 机是由确定系统产生的，是一种内在的随机，它是非 陷入某饱和区，致使网络收敛速度变慢或不能收敛。 线性动力系统中特有的现象。 混沌运动具有遍历性、随机性和规律性，能在一 下面就一个具体的混沌