【正文】 經(jīng)網(wǎng)絡(luò)正處于由簡單的并行處理模型機(jī)制的研究到對(duì)其變換能力、變化機(jī)制進(jìn)行深入的和嚴(yán)格意義數(shù)學(xué)理論分析的研究，許多學(xué)者正在對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的整體能力和限制進(jìn)行深入的理論分析?？梢灶A(yù)測(cè)，在21世紀(jì)初，智能的機(jī)器實(shí)現(xiàn)問題的研究將有新的進(jìn)展和突破。首先是神經(jīng)網(wǎng)絡(luò)自身的改進(jìn)，主要是產(chǎn)生新型網(wǎng)絡(luò)或者引進(jìn)新的算法。或者將神經(jīng)網(wǎng)絡(luò)與各種控制方法有機(jī)結(jié)合，其建模算法和控制系統(tǒng)的穩(wěn)定性等研究也是當(dāng)前的熱點(diǎn)問題。值得注意的是，盡管采用大規(guī)模并行處理機(jī)是神經(jīng)網(wǎng)絡(luò)計(jì)算的重要特征，但我們還應(yīng)尋找其它有效方法，建立具有計(jì)算復(fù)雜性、網(wǎng)絡(luò)容錯(cuò)性和堅(jiān)韌性的計(jì)算理論。它體現(xiàn)了算法和結(jié)構(gòu)的統(tǒng)一，是硬件和軟件的混合體，這種硬軟混合結(jié)構(gòu)模型可以為意識(shí)的作用和基本機(jī)制提供解釋。如何使神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)與傳統(tǒng)的計(jì)算機(jī)和人工智能技術(shù)相結(jié)合也是前沿課題，如何使神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)的功能向智能化發(fā)展，研制與人腦功能相似的智能計(jì)算機(jī)，如光學(xué)神經(jīng)計(jì)算機(jī)和分子神經(jīng)計(jì)算機(jī)等等，將具有十分誘人的前景。 預(yù)測(cè)的原理進(jìn)行正確恰當(dāng)?shù)念A(yù)測(cè)也需要好多理論基礎(chǔ)，其中延續(xù)性原理、類推性原理和相關(guān)性原理，從不同角度為人們認(rèn)識(shí)和分析事物的發(fā)展規(guī)律提供了理論依據(jù)，也是各種預(yù)測(cè)方法成立的基礎(chǔ)，只有承認(rèn)這些原理的有效性，才會(huì)運(yùn)用這些技術(shù)方法去進(jìn)行預(yù)測(cè)。延續(xù)性往往表現(xiàn)在兩個(gè)方面：一是事物發(fā)展趨勢(shì)的特征(如發(fā)展方向、速度、變化周期等)在一段時(shí)間內(nèi)呈現(xiàn)延續(xù)性，對(duì)此可建立趨勢(shì)外推預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。在預(yù)測(cè)技術(shù)中常用到三種類推：一是依據(jù)歷史上曾發(fā)生過的事件推測(cè)當(dāng)前或未來；二是依據(jù)其他地區(qū)曾發(fā)生過的事件進(jìn)行類推；三是根據(jù)局部類推總體。在相關(guān)分析的基礎(chǔ)上，許多研究人員研究開發(fā)了多種預(yù)測(cè)模型，如回歸模型、系統(tǒng)動(dòng)力學(xué)模型、多層遞階模型等。統(tǒng)計(jì)學(xué)方法是基于概率模型的統(tǒng)計(jì)學(xué)方法是從事物的外在數(shù)量上的表現(xiàn)去推斷該事物可能的規(guī)律性的方法。為此，人們又發(fā)明了許多新的手段來試圖解決這個(gè)問題，如決策樹、神經(jīng)網(wǎng)絡(luò)等。早在19世紀(jì)80年代，國外的一些科學(xué)家就嘗試將神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測(cè)，并取得了一定的成果。原油產(chǎn)量油田開發(fā)指標(biāo)預(yù)測(cè)主要是對(duì)產(chǎn)量、含水、注水的測(cè)算。從滲流力學(xué)和控制論角度看，油層系統(tǒng)屬于分布參數(shù)系統(tǒng)，描述其狀態(tài)的最為根本的物理量是油層壓力場和含水飽和度場（脫氣或注氣情況下還要有含氣飽和度場，對(duì)于化學(xué)驅(qū)還要有注入化學(xué)劑濃度場），但在通常情況下這些場描述起來繁雜，既不易獲得，也不易使用?？梢哉f，從石油工業(yè)誕生那天起，油田開發(fā)指標(biāo)預(yù)測(cè)工作就開始了，隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展和油田開發(fā)生產(chǎn)的實(shí)際需要，油田開發(fā)指標(biāo)預(yù)測(cè)方法得到了長足的發(fā)展和完善，已成為油藏工程研究的一個(gè)重要內(nèi)容。工具包又可以分為功能性工具包和學(xué)科工具包。除內(nèi)部函數(shù)外，所有MATLAB主包文件和各種工具包都是可讀可修改的文件，用戶通過對(duì)源程序的修改或加入自己編寫程序構(gòu)造新的專用工具包。BP神經(jīng)網(wǎng)絡(luò)具有對(duì)非線性系統(tǒng)預(yù)測(cè)的良好特性，可以有效的刻畫其具有的不確定、多輸入、復(fù)雜的非線性特征。 BP神經(jīng)網(wǎng)絡(luò)的基本原理 基本神經(jīng)元模型 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。 BP神經(jīng)元 BP神經(jīng)元（節(jié)點(diǎn)），它只模仿了生物神經(jīng)元所具有的三個(gè)最基本也是最重要的功能：加權(quán)、求和與轉(zhuǎn)移。若視，即令及包括及，則)是單調(diào)上升函數(shù)，而且必須是有界函數(shù)，因?yàn)榧?xì)胞傳遞的信號(hào)不可能無限增加，必有一最大值。通過這兩個(gè)過程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息提取和記憶過程。)，則隱層節(jié)點(diǎn)的輸出為（將閾值寫入求和項(xiàng)中）： k=1,2,……q （）輸出層節(jié)點(diǎn)的輸出為： j=1,2,……m （）至此BP網(wǎng)絡(luò)就完成了n維空間向量對(duì)m維空間的近似映射。BP網(wǎng)絡(luò)主要用于：(1)函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)；(2)模式識(shí)別：用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來；(3)分類：把輸入矢量以所定義的合適方式進(jìn)行分類；(4)數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲(chǔ)。1) 定義誤差函數(shù) 輸入個(gè)學(xué)習(xí)樣本，用來表示。 第二項(xiàng)： （）是輸出層傳遞函數(shù)的偏微分。BP算法是由兩部分組成：信息的正向傳遞與誤差的反向傳播。設(shè)輸入節(jié)點(diǎn)：；隱節(jié)點(diǎn)：；輸出節(jié)點(diǎn)：；輸入節(jié)點(diǎn)與隱節(jié)點(diǎn)之間的網(wǎng)絡(luò)權(quán)值為，隱節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的連接權(quán)值為，期望輸出為。然后計(jì)算，并同樣通過與該層函數(shù)的一階倒數(shù)相乘，而求得，依次求出前層權(quán)值的變化量。導(dǎo)致這種現(xiàn)象的原因是由于網(wǎng)絡(luò)采用的激活函數(shù)是一種非線性的函數(shù)，這個(gè)函數(shù)激活后的值是全局誤差的輸入，因此導(dǎo)致全局誤差會(huì)存在多個(gè)極小值，而網(wǎng)絡(luò)收斂時(shí)很有可能陷入其中的某一個(gè)而不是全局的最小值。 BP算法的改進(jìn)方案 利用動(dòng)量法改進(jìn)BP算法標(biāo)準(zhǔn)BP算法實(shí)質(zhì)上是一種簡單的最速下降靜態(tài)尋優(yōu)方法，在修正W(K)時(shí)，只按照第K步的負(fù)梯度方向進(jìn)行修正，而沒有考慮到以前積累的經(jīng)驗(yàn)，即以前時(shí)刻的梯度方向，從而常常使學(xué)習(xí)過程發(fā)生振蕩，收斂緩慢。 自適應(yīng)調(diào)整學(xué)習(xí)速率標(biāo)準(zhǔn)BP算法收斂速度緩慢的一個(gè)重要原因是學(xué)習(xí)率選擇不當(dāng)，學(xué)習(xí)率選得太小，收斂太慢；學(xué)習(xí)率選得太大，則有可能修正過頭，導(dǎo)致振蕩甚至發(fā)散。一旦學(xué)習(xí)速率調(diào)的過大，而不能保證誤差繼續(xù)減少，則減少學(xué)習(xí)速率直到使其學(xué)習(xí)過程穩(wěn)定為止?？梢钥闯?，彈性BP算法的權(quán)值更新遵循一個(gè)很簡單的規(guī)則：如故導(dǎo)數(shù)是正(增加誤差)，權(quán)值降低，如果導(dǎo)數(shù)是負(fù)，權(quán)值提高。7 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及方法 BP神經(jīng)網(wǎng)絡(luò)的基本模型本文借助于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱來實(shí)現(xiàn)多層前饋BP網(wǎng)絡(luò)（Multilayer feedforward backpropagation network）的顏色空間轉(zhuǎn)換，免去了許多編寫計(jì)算機(jī)程序的煩惱。確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)系數(shù)來描述給定的映射或逼近一個(gè)未知的映射，只能通過學(xué)習(xí)方式得到滿足要求的網(wǎng)絡(luò)模型。大量實(shí)踐表明，增加隱含層的數(shù)目可以提高BP網(wǎng)絡(luò)的非線性映射能力，但是隱含層的數(shù)目超過一定值，反而會(huì)使網(wǎng)絡(luò)的性能降低。輸入層的神經(jīng)元數(shù)由影響因素確定。該節(jié)點(diǎn)代表時(shí)間間隔p=tt0。對(duì)于函數(shù)連接，選擇適當(dāng)?shù)臄U(kuò)展函數(shù)是重要的，本文中將原單輸入P改為P，P2，P3，P4的4個(gè)神經(jīng)元的輸入模式。但問題的復(fù)雜性無法量化，因而也不能有很好的解析式來確定隱含層單元數(shù)。 隱層數(shù)的確定1998年Robert HechtNielson證明了對(duì)任何在閉區(qū)間內(nèi)的連續(xù)函數(shù)，都可以用一個(gè)隱層的BP網(wǎng)絡(luò)來逼近，因而一個(gè)三層的BP網(wǎng)絡(luò)可以完成任意的n維到m維的映照。BP網(wǎng)絡(luò)通常有一個(gè)或多個(gè)隱層，該層中的神經(jīng)元均采用sigmoid型傳遞函數(shù)，輸出層的神經(jīng)元?jiǎng)t采用線性傳遞函數(shù)，整個(gè)網(wǎng)絡(luò)的輸出可以取任意值。下面主要介紹隱層節(jié)點(diǎn)數(shù)量的確定。本論文中采用網(wǎng)絡(luò)結(jié)構(gòu)增長型方法，即先設(shè)置較少的節(jié)點(diǎn)數(shù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并測(cè)試學(xué)習(xí)誤差，然后逐漸增加節(jié)點(diǎn)數(shù)，直到學(xué)習(xí)誤差不再有明顯減少為止。所以，一般取初始權(quán)值在(1，1)之間的隨機(jī)數(shù)。大的學(xué)習(xí)速率可能導(dǎo)致系統(tǒng)的不穩(wěn)定，但小的學(xué)習(xí)速率將會(huì)導(dǎo)致學(xué)習(xí)時(shí)間較長，可能收斂速度很慢，不過能保證網(wǎng)絡(luò)的誤差值不跳出誤差表面的低谷而最終趨于最小誤差值。如果下降很快，則說明學(xué)習(xí)速率合適，若出現(xiàn)震蕩現(xiàn)象，則說明學(xué)習(xí)速率過大。 誤差的選取在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中選擇均方誤差MSE較為合理，原因如下：（1）標(biāo)準(zhǔn)BP算法中，誤差定義為： （）每個(gè)樣本作用時(shí)，都對(duì)權(quán)矩陣進(jìn)行了一次修改。因?yàn)閷?duì)于同一網(wǎng)絡(luò)來說，P越大，E也越大； P值相同，m越大E也越大。 處理樣本數(shù)據(jù) 因?yàn)樗惺占臄?shù)據(jù)往往不是在同一個(gè)數(shù)量級(jí)，我們將所收集的數(shù)據(jù)映射到[1，l]之間，進(jìn)行歸一化處理，這樣有利于提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。年份/年實(shí)際年產(chǎn)量年份/年實(shí)際年產(chǎn)量19522001966680019533001967700019545001968760019551000196979001956140019708150195719001971800019582400197280001959305019738000196038001974800019614400197580001962500019767775196356001977750019646040197872301965660019796800 羅馬什金油田1952—1979年產(chǎn)量的比較表8 預(yù)測(cè)模型的MATLAB實(shí)現(xiàn) MATLAB神經(jīng)網(wǎng)絡(luò)工具箱在利用神經(jīng)網(wǎng)絡(luò)解決問題和程序設(shè)計(jì)時(shí)，必定會(huì)涉及到大量的有關(guān)數(shù)值計(jì)算的問題，這其中既包括一般的矩陣運(yùn)算問題，如微分方法求解、優(yōu)化問題等，也包括許多模式的正交化、最小二乘法處理和極大極小匹配等求解過程等等。MATLAB具有程序可讀性強(qiáng)、程序簡單等特點(diǎn)，尤其是在編寫含矩陣運(yùn)算的復(fù)雜程序時(shí)，能給用戶提供極大方便[46,47]。另外，根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值的規(guī)則，加上網(wǎng)絡(luò)的訓(xùn)練過程，用MATLAB編寫出各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計(jì)者則可以根據(jù)自己的需要去調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使自己從繁瑣的編程中解脫出來，提高開發(fā)效率。(2)deltalog 對(duì)數(shù)S型(logsig)神經(jīng)元的函數(shù)(3)deltatan 正切S型(tansig)神經(jīng)元的函數(shù)3)基本函數(shù)(1)initff前向網(wǎng)絡(luò)初始化此函數(shù)可初始化至多四層的網(wǎng)絡(luò)，可得到各層的權(quán)值和閾值。格式：simuff(P,wl,bl,f1)simuff(P,wl,bl,f1,w2,b2,f2)Simuff(P,wl,bl,fl,w2,b2,f2,w3,b3,f3)(3)trainbp利用BP算法訓(xùn)練前向網(wǎng)絡(luò)格式：[w,b,te,tr]=trainbp(w,b,’f’,p,t,tp)[wl,bl,w2,b2,te,tr]=trainbp(wl,bl,’fl’,w2,b2,’f2’,p,t,tp)[wl,b1,w2,b2,w3,b3,te,tr]=trainbp(wl,bl,’fl’,w2,b2,’f2’,w3,b3,’f3’,p,t,tp)其中，P為輸入矢量，t為目標(biāo)輸出矢量。trainbpx函數(shù)把這兩種方法結(jié)合起來訓(xùn)練前向網(wǎng)絡(luò)。 MATLAB中BP網(wǎng)絡(luò)的訓(xùn)練過程下面以三層BP網(wǎng)絡(luò)為例，說明BP網(wǎng)絡(luò)的訓(xùn)練步驟：步驟l，用小的隨機(jī)數(shù)對(duì)每一層的權(quán)值w和閾值b初始化，以保證網(wǎng)絡(luò)不被大的加權(quán)輸入飽和，同時(shí)還要進(jìn)行以下的參數(shù)初始化；(1)設(shè)定期望誤差最小值：err_goal；(2)設(shè)定最大循環(huán)次數(shù)：max_epoch；(3)設(shè)定修正權(quán)值的學(xué)習(xí)速率：一般選取lr=~；(4)從1開始的循環(huán)訓(xùn)練：for epoch=1：rilax_epoch。對(duì)此主要算法的程序設(shè)計(jì)如下： 網(wǎng)絡(luò)的初始化fid=fopen(‘in．Txt’，’r’)。％讀取訓(xùn)練目標(biāo)樣本t=fscanf(fid，’％f’，[1，inf])。％訓(xùn)練輸入樣本集pn的行數(shù)為r，列數(shù)為q[s2，q]=size(t)。％隱含層節(jié)點(diǎn)數(shù)disp_fqre=10。％初始學(xué)習(xí)速率tp=[disp_fqre max_epoch err_goal lr]3．網(wǎng)絡(luò)訓(xùn)練[wl，bl，w2，b2，epochs，errors]=trainbpx(wl，bl，’tansig’，w2，b2，’purelin’，pn，tn，tp)。1 BP網(wǎng)絡(luò)的初始化主要是對(duì)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)(輸入層、隱含層、輸出層各層的神經(jīng)元節(jié)點(diǎn)數(shù))、BP網(wǎng)絡(luò)的算法一些主要參數(shù)(學(xué)習(xí)速率、目標(biāo)誤差、最大循環(huán)次數(shù)、顯示間隔次數(shù))進(jìn)行設(shè)定，并對(duì)初始化的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本文引用羅馬什金油田1952—1979年產(chǎn)量的統(tǒng)計(jì)數(shù)據(jù)，利用這些數(shù)據(jù)進(jìn)行建模。采用6輸入、單輸出的三層BP網(wǎng)絡(luò)，根據(jù)經(jīng)驗(yàn)公式選取隱含層節(jié)點(diǎn)數(shù)為15個(gè)。網(wǎng)絡(luò)經(jīng)初始化，利用函數(shù)trainbpx對(duì)網(wǎng)絡(luò)進(jìn)行35963次訓(xùn)練后，網(wǎng)絡(luò)的誤差平方和達(dá)到了目標(biāo)誤差的要求。說明基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的BP網(wǎng)絡(luò)對(duì)油田產(chǎn)量的預(yù)測(cè)預(yù)報(bào)是可行的10 結(jié)束語 結(jié)論1．人工神經(jīng)網(wǎng)絡(luò)具有非線性函數(shù)動(dòng)態(tài)處理能力，自組織、自適應(yīng)和自學(xué)習(xí)功能，可用作建模處理。同時(shí)，神經(jīng)網(wǎng)絡(luò)模型的建立，提供了一種新的通用性的方法，可應(yīng)用于不同條件下的預(yù)測(cè)預(yù)報(bào)。自適應(yīng)學(xué)習(xí)速率則有利于縮短學(xué)習(xí)時(shí)間。本文的研究是初步，還有許多問題需要進(jìn)一步研究：1．BP網(wǎng)絡(luò)的訓(xùn)練是從給定數(shù)據(jù)中歸納出輸入與輸出之間的復(fù)雜規(guī)律，為了能夠更加準(zhǔn)確的油田產(chǎn)量進(jìn)行預(yù)測(cè)預(yù)報(bào)，數(shù)據(jù)的收集工作應(yīng)該盡可能的做到準(zhǔn)確。他嚴(yán)肅的科學(xué)態(tài)度，嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神，精益求精的工作作風(fēng)，深深地感染和激勵(lì)著我。和他們?cè)谝黄鸬哪嵌螝g樂時(shí)光愉快而又充實(shí)，久久令人回味，是大學(xué)四年給我留下的最寶貴的財(cái)富。net=newff(minmax(P),[3 ,1],{39。},39。=。0 5 0 5]。,39。)。=10000。T=[1 1 1 1]。purelin39。=10000。=1e5*100[net tr]=train(net,P,T)。net=newff(minmax(P),[3 ,1],{39。},39。=。5：共軛梯度1clcP=[1 1 2 2 。tansig39。traincgf39。=。0 5 0 5]。,39。)。=10000。T=[1 1 1 1]。purelin39。=1