Emerge多属性分析理论培训PPT.ppt

s =1的自动优化值 s 减小到1/10后的自动优化值 改变s 在PNN中的作用 如下示例显示了在1个属性的情况下改变s产生的影响 如下示例显示了在1个属性的情况下改变s产生的影响 s =1的自动优化值 s 减小到1/2后的自动优化值 s =1的自动优化值 s 增大到2倍后的自动优化值 如下示例显示了在1个属性的情况下改变s产生的影响 PNN 优点: (1) 因为PNN是一种数学上的插值方案，所求得的s 可以解释为每种所给属性的相对权值； (2) 不象多层正向反馈 MLFN，训练程序是可重复的； (3) 分类模式下，PNN可以生成估算的概率体。 缺点: 由于PNN要复制一套训练数据，对3D体应用该程序会非常耗时，这个时间与训练数据的采样点数有关。 这个问题可以通过应用一个小目标时窗来得以缓解。 神经网络学习 在该菜单中创建一个新的神经网络, 覆盖原有的: 一个EMERGE工区中不限制所存储的神经网络个数. 也可以将学习数据写到一个ASCII文件, 然后从另一个神经网络中去读. 这页设置用哪些井用于学习。 剔除一些井, 有以下几个原因: (1) 井与地震的约束太差; (2) 可以留出一口井作为“隐藏井”, 以便用于校验. 选择“yes” 意味着该神经网络将拥有与所选择的多属性变换完全相同的属性和因子长度。 因为step-wise回归能够确定最佳采用的属性, 所以推荐使用这种方法. 该菜单决定以前创建的多属性变换是否可以用作模板来建立神经网络. 当多属性变换不被用作模板时, 此页才显示出来。之前先No 必须在此指定可选的任一属性的非线性变换. 该页决定重要的常规网络特性. 第一个参数是网络类型: These parameters control the option to Cascade the neural Network with the trend from the multi-attribute transform.（对多属性变换中的趋势进行添加） This option exists because Neural Networks usually work best with stationarydata containing no long period trend.（神经网络用不包含周期趋势的平稳数据效果最好） 有时候, 最好去掉来自目标体的趋势, 用神经网络去预测已经消除趋势的residual data. 选中该选项后： 多属性变换用于预测目标测井曲线. (2) 被预测的曲线用一个平均值进行平滑. (3)过平滑处理的曲线是从原始的测井曲线中提取的. (4) 神经网络是基于残差或差分之上的学习. The Neural Network is then trained on the residual or difference 由多属性变换预测的趋势 Trend predicted from multi-attribute transform PNN的剩余误差的预测 PNN Prediction of residual 未经过添加趋势的PNN预测 PNN Prediction without cascading 检验该选项是否有用的唯一途径是用两种方法创建一个神经网络, 查看学习过程和校验误差. 神经网络学习 本练习中, 我们将要用神经网络的兼容性来改善前面练习中的孔隙度的预测. 点击Neural / Train Neural Network开始神经网络分析. 下面的窗口出现: 接受默认的选项, 我们将创建一个新的网络, 命名为Network_1. 练习7: 神经网络的应用 点击Next , 得到下面的菜单: 多属性学习时, 我们可以在该菜单上选择将要用于神经网络学习的井的集合. 系统默认使用所有的井. 点击Next , 得到下页: 该菜单最上面的问题是：是否希望用以前计算所得的多属性变换来创建神经网络. 通常回答“是”。这是因为多属性的筛选过程已经决定了对于预测目标孔隙度曲线来说最好的属性。选中第四种变换(积分变换)，我们创建一个与前面完全相同的神经网络。点击Show Transform History，我们可以看到多属性变换的细节. 填好上述菜单， 点击Next，得到下面的菜单： 当你选择不用以前的多属性变换来创建网络时，左图菜单被激活。我们可以看到, 这个菜单上的参数已经由以前的多属性变换自动设置好了。此时, 需要指定非线性公式。 我们将要来创建一个概率神经网络，如上右所示。此处我们不对多属性变换的趋势进行添加。在后面的练习中我们会进行添加。最后，选择分析类型为Mapping，指定预测孔隙度的数值，而不是分类。 点击 Next , 得到以