EMERGE 神经网络 原理.pptVIP

在EMERGE里使用神经网络：为什麽使用神经网络？ 在EMERGE里使用神经网络 MLFN神经网络 概率神经网络 (PNN) * 我们要考虑测井曲线和属性之间的非线性关系： Log Log 线性预测 非线性预测 Attribute Attribute EMERGE里有三种类型的神经网络： MLFN 多层前馈网络，类似于传统的 误差反传播。 PNN 概率神经网络可以用于作数据 分类（类似于聚类分析），或 者预测数据（类似于回归分析）。 Discriminant 线性分类系统 每一个训练样本包含输入的属性以及特定时间样点的已知目标值。 MLFN训练包括确定优化的节点联结权系数集。根据定义，“最好的”权系数集是那些能够以最小方差预测已知的训练数据的权系数。 这是一个非线性优化的问题。EMERGE 利用模拟退火和共轭梯度法相结合来解这个问题。影响训练时间的主要参数是总迭代次数。在每一次迭代里，有一个固定的共轭梯度迭代次数寻找局部极小。 MLFN神经网络训练参数 在每一次总迭代中，模拟退火通过在其它的参数空间中进行搜索来改进收敛效果。在任何一次迭代中，是否使用模拟退火是由程序控制的，并且依赖于上一次迭代对收敛效果的改进程度。 从理论上来说，更多的迭代次数总是比较少的迭代次数好，因为程序能够搜索更大的范围寻找全局极小。 在训练进行的过程当中，预测误差是可以看到的： 在任何时候点击这个菜单里的 “Stop” 让训练过程中断 MLFN神经网络训练参数 控制神经网络预测训练数据的优劣程度的参数是隐蔽层的节点数： 按照经验的做法确省值应该等于输入属性的2/3 。（注意输入的属性数等于实际的属性乘以算子长度）。 增加隐蔽层的节点数总是能更精确地预测训练数据，但是“过训练”的风险性也增加了。 MLFN神经网络训练参数 这些图显示了在利用1个属性进行预测的时候改变隐蔽层节点数的效果： 隐蔽层里有2个节点： 隐蔽层里有5个节点： 改变隐蔽层节点数的效果 这些图显示了在利用1个属性进行预测的时候改变隐蔽层节点数的效果： 隐蔽层里有5个节点： 隐蔽层里有10个节点： 改变隐蔽层节点数的效果 优点： (1)传统形式在所有的有关神经网络的书籍里已经讲解的很清楚了。 (2)一旦训练好了，当应用到大数据体上时，相对要快一些。 缺点： (1)这个网络倾向于一个“黑匣子” ，没有办法明显的解释权系数。 (2)因为模拟退火使用随机数发生器搜索全局优化，用同一个参数进行训练可能会产生不同的结果。 MLFN神经网络 概率神经网络PNN，是在EMERGE 中所使用的第二类神经网络。PNN 既可以用于分类也可以用于映射。 PNN用于分类方面，EMERGE 把输入的地震样点分成N类（ 例如：砂、泥、碳氢、油、气、水等） 。我们以后就会看到，在EMERGE里，也可以使用线性聚类分析（LDA），而PNN 可以被看作LDA的非线性扩展。 PNN用于映射方面，EMERGE 把输入的地震数据映射成像孔隙度这样的油藏参数。这与我们利用多线性回归和MLFN所作的预测是相同的，但是，PNN 使用不同的方法。用于映射的PNN更准确的名称应该是广义回归神经网络GRNN，但是我们对映射和分类统一使用名称PNN 。 为了理解PNN，我们首先了解一下属性空间中的“距离”的概念，然后开始解决分类的问题。 X Y p1 p2 p3 d1 假设在一张图上有三个点 (p1, p2, 和 p3)它们是X 、Y 坐标的函数，我们要建立它们与 p0点的关系： 我们可以利用每一点到 p0 的距离建立这个关系： d12 = (x1-xo)2 + (y1-yo)2d22 = (x2-xo)2 + (y2-yo)2 d32 = (x3-xo)2 + (y3-yo)2 p0 d2 d3 x1 x0 x3 x2 y3 y0 y1 y2 概率神经网络 (PNN) Log Seismic Attributes X Y x1 x2 x3 x0 y1 y2 y3 y0 现在我们再看一看前面的测井曲线和地震属性图，这张图上我们去掉了第三个属性。如果我们把这两个属性标成X和Y，每个属性上标出了四个点，我们现在把前一张图重新解释为2D属性空间的“距离”。 （如果我们加上第三个属性，我们得到了一个3D空间，3D空间仍然是可以直接观察的。更多的属性产生一个N维空间）。注意我们尚未考虑测井曲线。 概率神经网络 (PNN) Log Seismic Attributes X Y x1 x2 x3 x0 y1 y2 y3 y0 现在，我们将仅仅使用测井曲线表示出有两个不同的类A和B， （也许是砂岩和泥岩，或含气砂岩和含水砂岩）。前三个点属于A类，又加了三个点属于B类。 我们看一看在X-Y平面图上是