一种基于自组织过程神经网络动态样本半监督学习算法.docVIP

一种基于自组织过程神经网络的动态样本半监督学习算法 　　摘 要：针对时变信号模式分类和未标记样本信息的有效利用问题，提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号，分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型，利用该网络的自组织特性，实现动态样本的分类标识。文中分析了算法的信息处理机制，给出了具体的实现步骤。以油田开发水淹状况判别为例，实验结果验证了方法的有效性。 　　关键词： 　　中图分类号： ＴＰ１８３ 文献标识码： Ａ 文章编号：２０９５－２１６３（２０１１）０３－００８５－０３ 　　Ａ Ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍ ｏｆ Ｄｙｎａｍｉｃ Ｓａｍｐｌｅｓ 　　ｂａｓｅｄ ｏｎ Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ Ｐｒｏｃｅｓｓ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ 　　ＷＡＮＧ Ｄａｎｄａｎ， ＬＩＵ ＸｉａｎＤｅ 　　 　　Ａｂｓｔｒａｃｔ： Aiming at the problems of time-varying signal pattern classification and effective using of unmarked sample information, a semi-supervised learning algorithm of dynamic sample set based on self-organizing process neural networks is proposed in the paper. The self-organizing process neural network model based on competitive learning rule and supervised method are built respectively using acquired marked and unmarked process function sample signals, and it can label respective classes of dynamic samples through making use of the self- organizing characteristics. Information processing mechanism of the algorithm is analyzed and specific implementation steps are given in the paper. Taking identification of water flooded status in oil field development as example, experiment results prove the effectiveness of the method. 　　Ｋｅｙ ｗｏｒｄｓ： 　　 　　０ 引言 　　 基于机器学习的信息处理技术是目前复杂系统数据分析和利用问题中一种有效的处理方法和工具。机器模型的建立一般需有足够多的满足系统状态变化特征规律描述、高质量的样本数据[１，２]。但在实际问题中，特别是在一些非线性动态系统的情况下，由于采样条件的限制或代价高昂，往往难以得到足够多的、有确定标识的样本；而另一方面，在有些情况中，又可以获得大量未标记的样本数据。因此，如何利用标记及未标记的样本信息、丰富学习样本数量，是建立智能模型和提高模型泛化能力的关键问题之一[３]。 　　 针对非线性动态系统未标记过程函数样本的标记和信息的有效利用问题，本文提出了一种基于自组织过程神经网络[４]的动态样本半监督学习算法。首先，按照基于竞争学习规则和有教师示教方法，分别建立两种信息处理机制的自组织过程神经网络动态信号分类模型，实现对过程函数样本集合的分类；然后，按照基于分类结果的标记策略，实现对未标记过程样本的标识，达到增加样本规模和多样性的目标。以基于测井曲线的水淹层样本分类标记和油层水淹状态判别为例，实际应用结果验证了算法的有效性。 　　１ 自组织过程神经网络 　　 自组织过程神经网络（Ｓｅｌｆ－Ｏｒｇａｎｉｚａｔｉｏｎ Ｐｒｏｃｅｓｓ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ， ＳＯＰＮＮ）是一种通过竞争学习机制实现对时变信号处理的动态神经网络模型。ＳＯＰＮＮ由时变信号输入层和过程神经元组成的竞争层构成，网络自适应提取输入函数所隐含的模式特征，并对其进行自组织，在竞争层将作用结果表现出来。 　　 设ＳＯＰＮＮ输入空间为（Ｃ[０，Ｔ]）ｎ，[０，Ｔ]为信号输入过程区间；系统输入函数为Ｘ（ｔ）＝（ｘ１（ｔ