【文章內容簡介】 )便可稱之為神經網絡的環(huán)境。神經網絡從這個環(huán)境中接收連續(xù)的語音信號，進行識別處理以后，就將結果輸出到環(huán)境中，即以屏幕顯示或以打字的形式反映出來。各個神經元之間的連接并不只是一個單純的傳送信號的通道，而是在每對神經元之間的連接上有一個加權系數(shù)，這個加權系數(shù)起著生物神經系統(tǒng)中神經元的突觸強度的作用，它可以加強或減弱上一個神經元的輸出對下一個神經元的刺激。這個加權系數(shù)通常稱為權值(或稱為連接強度)。在神經網絡中，修改權值的規(guī)則稱為學習算法。這也就是說權值并非是固定不變的。相反的，這些權值可以根據經驗或學習來改變。這樣，系統(tǒng)就可產生所謂的“進化”。同樣，處理單元表示什么也是可以改變的，因此也就可以用任何合適的物質來實現(xiàn)。神經網絡發(fā)展的歷史：神經網絡的發(fā)展史，概述起來可以說經歷了三個階段：第一階段是4060年代的發(fā)展初期。1957年，Rosenblatt設計出感知機，第一次把神經網絡的研究付諸工程實現(xiàn)；第二階段是70年代研究低潮，尤其是70年代后期，在人的智能行為機器再現(xiàn)上，由于傳統(tǒng)模型距離人類自身的真實模型較遠，表現(xiàn)出極大的局限性。計算機一般不能從現(xiàn)實世界的實例與現(xiàn)象中獲取并總結書知識，也就是說計算機不具備學習能力。在處理能明確定義的問或運用能明確定義的概念做為知識時，計算機比較容易對它們進行處理，但是對一些知識背景不清楚，推理規(guī)則不明確，環(huán)境信息十分復雜的知識處理或是算法難以提取的信息處理任務往往感到很困難。第三階段是80年代神經網絡第二次高潮的到來，學術界公認，其標志是Hopfield教授1982年，1984年發(fā)表在美國科學院院刊上的兩篇文章，獲得了關于人工神經網絡切實可行的算法。1987年6月在美國加洲舉行的第一屆神經網絡國際會議，有一千多名學者參加，并成立了國際神經網絡學會，掀起了用神經網絡來模擬人類智能的熱潮，標志著神經計算機時代的來臨，嗣后以神經網絡為主題，或列入其他計算機方向(特別是人工智能)的國際會議每年召開。我國于1989年10月在北京召開一個非正式的神經網絡會議，稱為神經網絡及其應用討論會，并印制了一本文集。在1990年12月和1991年12月，分別召開了全國第一，第二兩屆神經網絡學術會議。IEEE與INNS聯(lián)合召開的LJCNN92已在北京舉行。神經網絡系統(tǒng)是由大量的、同時也是很簡單的處理單元（或稱神經元）廣泛地互相連接而形成的復雜網絡系統(tǒng)。它反映了人腦功能的許多基本特征，但它并不是人腦神經網絡系統(tǒng)的真實寫照，而只是對其作某種簡化、抽象和模擬，這也是現(xiàn)實情況所能做到的，是目前神經網絡研究的基本出發(fā)點。我們研究神經網絡系統(tǒng)的目的在于探索人腦加工、存儲和處理信息的機制，進而研制基本具有人類智能的機器。處理單元（或稱神經元），是神經網絡的最基本的組成部分，在構造神經網絡模型時，首先就要確定處理單元的各種特性。在某些神經網絡模型中，這些單元表示一些特定的概念實體，比如特征、字符、字或概念，而有時則表示一些抽象的元素，可以在其上定義各種意義的模式。神經元的一般結構模型如圖12所示。圖22 一般神經元結構模型 在圖12中，o1 ，o2，…on，表示神經元的輸入，所有這些輸入分別乘上各自相應的權值ωi1，ωi2，…ωin ，并對各乘積求和，就組合成神經元i的總輸入即 (21)以和當前活躍值為自變量，取一個單調連續(xù)，或其它的函數(shù)F，就可以產生神經元的下一個活躍值。F稱為活躍規(guī)則，其既可為確定性函數(shù)，也可為隨機函數(shù)。以活躍值為自變量，取函數(shù)f便可以產生神經元的輸出。這個函數(shù)f便稱之為輸出函數(shù)。神經網絡的處理單元可以分為三種類型：輸入單元、輸出單元和隱含單元。輸入單元是從外界環(huán)境接受信息，輸出單元則是給出神經網絡系統(tǒng)對外界環(huán)境的作用。這兩種處理單元與外界都有直接的聯(lián)系。隱含單元則處于神經網絡之中，它不與外界環(huán)境產生直接的聯(lián)系。它從網絡內部接受輸入信息，所產生的輸出則只作用于神經網絡中的其它處理單元。隱含單元在神經網絡中起著極為重要的作用。神經網絡的計算：神經網絡在進行計算操作時，具有兩種操作模式：串行操作模式和并行操作模式。所謂串行操作模式，是指神經網絡在進行計算操作時，其計算操作的每一步只有一個單元的狀態(tài)發(fā)生改變。反之則為并行操作模式。Hopfield證明，當Hopfield模型操作于串行操作模式時，肯定能在有限步內收斂于網絡的穩(wěn)定狀態(tài)。 人工神經網絡概述人工神經網絡是模仿人大腦生物神經網絡的計算模型。其工作原理建立在模式變換的基礎上，多用于模式識別問題，也可用于參數(shù)識別。如果有足夠多的數(shù)據來訓練神經網絡，它就能像人類那樣進行總結歸納，即在實際環(huán)境中具有透過干擾、畸變和模糊點識別模式或參數(shù)的能力。目前人工神經網絡在很多領域里得到了廣泛的應用。作為多學科的交叉學科與研究前沿，神經網絡的并行處理能力、自組織自學習能力、高度的魯棒性、容錯性、高度的映射能力、分類和計算能力顯示出了巨大的潛力。神經網絡由大量被稱為神經元(與人腦的神經細胞相對應)的處理單元組成，神經元間的相互連接構成了神經網絡模型。常用的神經網絡模型有分層網絡模型和互連網絡模型。其中分層網絡模型是將眾多神經元分成若干層順序連接，在第一層(輸人層)加人輸入樣本，通過中間各層進行變換，到達最終層(輸出層)。這種分層網絡包括簡單的分層網絡、層內相互間有結合關系的分層網絡和有反饋連接的分層網絡等結合方式。 油田原油產量的準確預測可以對油田的生產管理進行合理的指導。該文探討了應用神經網絡組合方法預測油田產量,對開井數(shù)、含水率、動用儲量以及往年產量同未來產量之間的復雜關系建立模型。采用了兩層預測系統(tǒng):第一層包含兩個神經網絡,一個多層前饋網絡和一個函數(shù)鏈接網絡。第二層是把第一層的兩個網絡輸出進行組合。研究了五種不同的組合算法:平均法、最小平方回歸法、模糊邏輯法、自適應前饋神經網絡法和自適應函數(shù)鏈接神經網絡法。根據油品類型分為稀油、熱采稠油、常規(guī)稠油和總產量四組數(shù)據,對上述方法進行了測試,結果表明應用人工神經網絡的組合預測方法優(yōu)于其他的預測方法,而且適用范圍廣。為了確保油田開發(fā)生產處于高產穩(wěn)產狀態(tài),對油田原油產量的可靠預測是油田開發(fā)的一項關鍵研究工作之一。影響油田產量的因素主要分為地質因素和人為因素,預測油田油產量主要考慮這個方面。油田的生產來自于油井,油井的開井數(shù)量是很重要的影響因素。當前,在我國的一些老油田大多是非自噴井,需要進行注水或蒸汽驅油,因此油的含水率也是主要的影響因素之一。地下原油的儲量基本上是不變的,因此油田的動用儲量也是影響因素。這些參數(shù)和未來產量之間的關系是非線性的,并且具有隨機性和不確定性,用傳統(tǒng)的線性方法很難處理。一些學者從油藏工程的角度出發(fā),對油田產量預測方法進行了許多研究,其基本方法是把油產量和含水率、動用儲量等關系看作是線性關系,根據經驗建立其線性系統(tǒng)。然而,由于原油產量預測具有很強的非線性,因而,許多方法不能夠完全地表示這種關系。近年來,也有人開始研究應用神經網絡預測油田的原油產量。通常,基于人工神經網絡的預測方法都是采用單一的預測方法,而這種單一的方法對不同油區(qū)的開發(fā)數(shù)據通常不能達到滿意的預測效果。例如,一個特定結構的神經網絡可能對某些數(shù)據預測效果很好,但是對其他的數(shù)據預測效果可能不理想,而采用另外的一種網絡結構也許效果更好。如果這些方法是互為補充的,那么將它們的預測結果進行組合就會提高預測的精度。本文主要討論兩種不同結構的神經網絡,一種是前饋多層網絡,另一種是函數(shù)鏈接網絡。并將其預測結果進行線性的和非線性的組合。實驗結果表明,基于不同結構的神經網絡的預測,并將各網絡的預測結果進行組合要比單一結構的神經網絡預測,在精度上都有明顯提高,并且通過這些組合,擴大了預測方法的應用范圍。 模糊神經網絡為了研究受多變量、時變和不確定因素影響的油田產量預測問題,將模糊邏輯推理技術與人工神經網絡相結合,構建具有模糊邏輯推理和學習功能的模糊神經網絡(FNN) 系統(tǒng)。該系統(tǒng)基于現(xiàn)有的油田開發(fā)歷史數(shù)據,建立相應的規(guī)則集,使用神經網絡的訓練方法(如梯度下降學習算法) ,在訓練過程中調整參數(shù),并自適應增加規(guī)則,以使系統(tǒng)的輸出最佳地逼近于目標樣本。通過對某油田的實際開發(fā)歷史數(shù)據的擬合與測試,結果表明該模糊神經網絡能夠較精確地預測未來的油產量,與常規(guī)的BP 神經網絡相比,其預測精度更高、訓練速度更快。因此,基于模糊神經網絡(FNN) 的油田產量預測方法研究具有較好的實際應用價值。如何預測油田的未來產量是油氣藏工程計算中的一項重要內容,也是油藏科研工作者關心的問題。常規(guī)油田產量預測方法主要有遞減曲線分析法、水驅曲線法和數(shù)學模型法等。近年來,人工神經網絡也用于油田產量的預測,并取得了較好的效果,與傳統(tǒng)的常規(guī)預測方法相比,基于人工神經網絡的原油產量預測在精度上有明顯的提高。常規(guī)預測方法的缺陷是不能直考慮儲層的非均質性對油田產量的影響,也無法考慮各項人為因素的改變對油田產量的影響。對于BP 神經網絡,在地質條件比較簡單的地區(qū),應用效果較好。但對于地質條件比較復雜地區(qū),因其地震特征橫向上有較大的變化,訓練樣本復雜,應用效果不夠理想。本文將模糊邏輯推理與人工神經網絡相結合,構建具有模糊推理和學習功能的模糊神經網絡(FNN) ,并將其應用于油田產量的預測。根據油田開發(fā)的歷史數(shù)據,建立規(guī)則集,然后選取2/3 的樣本數(shù)據對網絡進行訓練,使輸出能夠較好地逼近目標值或滿足誤差指標。剩余的1/3 樣本數(shù)據用于檢驗模糊神經網絡的預測結果,并對未來的油田產量進行預測。實驗結果表明,基于模糊神經網絡的預測結果比應用常規(guī)的BP 網絡預測結果更為理想。其原理是模糊集合理論提供了系統(tǒng)的、以語言表達某類信息的計算工具,通過使用由隸屬度函數(shù)表示的語言變量,可以進行數(shù)值計算。不過在模糊推理系統(tǒng)中,合理選擇if then 規(guī)則是模糊推理系統(tǒng)的關鍵因素。盡管模糊推理系統(tǒng)擁有模糊if then 格式的結構化知識表示,但是它們缺少對變化的外部環(huán)境進行適應的能力。因此,人們將神經網絡中學習的概念引入模糊推理系統(tǒng),從而產生模糊神經系統(tǒng)。 自組神經網絡自適應共振理論模型ART的實質是以競爭學習和自穩(wěn)機制為原則建立的。，可以對任意多和任意復雜的二維模式進行自組織、自穩(wěn)定和大規(guī)模并行處理。前者用于二進制輸入，后兩者可用于連續(xù)信號輸入。目前主要應用于模式識別。 僅以ART1模型為例，討論其網絡的拓撲結構以及存在的問題，如圖23所示。圖23 ARTl分類網絡結構這是一個兩層網絡，卜層為輸入層，其神經元個數(shù)就等于輸入樣本的特征個數(shù)。上層為輸出層，其輸出層神經元個數(shù)呈動態(tài)變化，開始時設置為1個，網絡運動結束時，神經元個數(shù)就等于分類總數(shù)。其中上下層神經元之間的連線有兩條，并且輸出層神經元之間也有連線，起“側抑制”作用，即神經元總是使自己有最大輸出，而使周圍輸入層神經元輸出達到最小。 該網絡雖然可以實現(xiàn)輸入模式快速自動分類，但要求輸入模式為二值化向量。ART2和ART3雖然可以對任意形式輸入模式進行自動分類，但由于網絡結構相對復雜化，其計算速度很難與ART1相媲美。為此包氏匡習基于ART1模型提出了一種可用于連續(xù)變量自動分類的神經網絡，即包氏神經網絡模型。通過對比可以看出，它與BP網絡相比，最大特點就是不需已知樣本學習即可實現(xiàn)測井資料的自動識別。與傳統(tǒng)的聚類分析方法相比，不要求測井數(shù)據服從某種統(tǒng)計規(guī)律，并且具有較快的計算速度等特點，因而具有更廣的應用范圍?？傊越M織神經網絡方法值得在測井資料解釋中進一步推廣應用。 BP神經網絡反向傳播神經網絡（簡稱BP網絡），主要是利用已知的學習樣本集，用誤差反向傳播算法進行訓練并建成網絡，其學習過程分為正向學習和反向傳播兩個過程。在正向學習過程中，輸入信息從輸入層經隱蔽單元層逐層處理，并傳向輸出層，每一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小。反向傳播神經網絡（簡稱BP網絡）的結構如圖14所示。在這一神經網絡中，引入了中間隱含神經元層。故標準的BP模型由三個神經元層次組成，其最下層稱為輸入層，中間層稱為隱含層，最上層稱為輸出層。各層次的神經元之間形成全互連連接，各層次內的神經元之間沒有連接。圖24 BP模型 對于BP網絡的輸入層神經元，其輸出與輸入相同，即 。中間隱含層和輸出層的神經元的操作特性為 （22） （23） 其中p表示當前的輸入樣本，為從神經元到神經元j的連接權值，為神經元j的當前輸入，為其輸出。為非線形可微非遞減函數(shù)，一般取為S形函數(shù)，即 對多層網絡進行訓練時，首先要提供一組訓練樣本，其中的每個樣本由輸入樣本和理想輸出對組成。當網絡的所有實際輸出與其理想輸出一致時，表明訓練結束。否則，通過修正權值，使網絡的理想輸出與實際輸出一致。在網絡不包括隱含神經元層的情況下，可以直接采用的Delta學習算法。即對于輸入/理想輸出對p，權值按下式進行調整： (24)這里為實際輸出，為網絡的輸入向量的第個元素， 但是，在BP模型中，引進了中間隱含神經元層，因為中間隱含神經元層的輸出誤差不能直接計算，故不能直接采用Delta學習算法來訓練BP模型。但將Delta學習算法加以推廣便可采用于BP模型。 設網絡輸出誤差為 (25)并設為整個訓練集中所有樣本產生的輸出誤差之和。并令 即令與成正比，而 (26)由（22），有 (27)定義 故式（26）可以記為 這就是說，要使E按梯度下降，就必須按下式進行權值調整 (28)顯