【正文】 可能獲取有關(guān)被探測目標的完整信息。并把圖象傳感器瞄準到正在運動的指定的客體上。神經(jīng)網(wǎng)絡(luò)還被用于機器人的控制中，在魚雷的控制上，有的也采用了神經(jīng)網(wǎng)絡(luò)方法。特別是不精確的知識。（5）市場分析 不同的神經(jīng)網(wǎng)絡(luò)計算能力是不同的。從而，掌握各種顧客群體的消費心理和需求傾向。最優(yōu)的調(diào)度算法是一個NP完全性問題。（7）電子學神經(jīng)網(wǎng)絡(luò)在電子學上的應(yīng)用主要體現(xiàn)在超大規(guī)模的集成電路的設(shè)計上。（8）神經(jīng)科學Hopfield以及助手為神經(jīng)科學家建立了初級脊椎動物——蜥蜴的行為動作的神經(jīng)網(wǎng)絡(luò)模型，用來研究初級脊椎動物的神經(jīng)系統(tǒng)。娛樂：比如下棋，打牌等零售分析：用神經(jīng)網(wǎng)絡(luò)來分析各種商品的零售量及價格。航空與航天。隨著神經(jīng)網(wǎng)絡(luò)理論研究的深入以及網(wǎng)絡(luò)計算能力的不斷擴展，神網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)粩嗤貙?，?yīng)用水平將會不斷提高，最終達到神經(jīng)網(wǎng)絡(luò)系統(tǒng)可用來干人類能干的許多事情，這也是神經(jīng)網(wǎng)絡(luò)研究的最終目標。它反映了人腦功能的許多基本特性，但它并不是人腦神經(jīng)網(wǎng)絡(luò)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(當前對腦神經(jīng)及其智能機理的研究水平以及VLSI技術(shù)水平)所能作到的，是目前神經(jīng)網(wǎng)絡(luò)研究的基本出發(fā)點。一般認為，神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一個高度復雜的非線性動力學系統(tǒng)。在研究方法上強調(diào)綜合而不是分解，因為分解這一步工作已經(jīng)基本完成，即可將神經(jīng)網(wǎng)絡(luò)分解成極簡單的神經(jīng)元和神經(jīng)元之間的相互連接。這便是神經(jīng)網(wǎng)絡(luò)所需研究的問題。輸出 輸入圖21 一個簡單的神經(jīng)網(wǎng)絡(luò)圖21表示了一個簡單的神經(jīng)網(wǎng)絡(luò),其中每個小圓圈表示神經(jīng)元(也稱處理單元或節(jié)點)。不同的神經(jīng)網(wǎng)絡(luò)模型對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和互連模式都有一定的要求和限制，比如允許他們是多層次的，是全互連的等等。神經(jīng)網(wǎng)絡(luò)從其所處的環(huán)境接受信息，對信息進行加工處理后又返回(或作用)到其所處的環(huán)境中去。神經(jīng)網(wǎng)絡(luò)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(jié)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。這個加權(quán)系數(shù)通常稱為權(quán)值(或稱為連接強度)。這也就是說權(quán)值并非是固定不變的。這樣，系統(tǒng)就可產(chǎn)生所謂的“進化”。神經(jīng)網(wǎng)絡(luò)發(fā)展的歷史：神經(jīng)網(wǎng)絡(luò)的發(fā)展史，概述起來可以說經(jīng)歷了三個階段：第一階段是4060年代的發(fā)展初期。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(jié)書知識，也就是說計算機不具備學習能力。第三階段是80年代神經(jīng)網(wǎng)絡(luò)第二次高潮的到來，學術(shù)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(guān)于人工神經(jīng)網(wǎng)絡(luò)切實可行的算法。我國于1989年10月在北京召開一個非正式的神經(jīng)網(wǎng)絡(luò)會議，稱為神經(jīng)網(wǎng)絡(luò)及其應(yīng)用討論會，并印制了一本文集。IEEE與INNS聯(lián)合召開的LJCNN92已在北京舉行。它反映了人腦功能的許多基本特征，但它并不是人腦神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)研究的基本出發(fā)點。處理單元（或稱神經(jīng)元），是神經(jīng)網(wǎng)絡(luò)的最基本的組成部分，在構(gòu)造神經(jīng)網(wǎng)絡(luò)模型時，首先就要確定處理單元的各種特性。神經(jīng)元的一般結(jié)構(gòu)模型如圖12所示。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)。這個函數(shù)f便稱之為輸出函數(shù)。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(jīng)網(wǎng)絡(luò)系統(tǒng)對外界環(huán)境的作用。隱含單元則處于神經(jīng)網(wǎng)絡(luò)之中，它不與外界環(huán)境產(chǎn)生直接的聯(lián)系。隱含單元在神經(jīng)網(wǎng)絡(luò)中起著極為重要的作用。所謂串行操作模式，是指神經(jīng)網(wǎng)絡(luò)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。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(nèi)收斂于網(wǎng)絡(luò)的穩(wěn)定狀態(tài)。其工作原理建立在模式變換的基礎(chǔ)上，多用于模式識別問題，也可用于參數(shù)識別。目前人工神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域里得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)由大量被稱為神經(jīng)元(與人腦的神經(jīng)細胞相對應(yīng))的處理單元組成，神經(jīng)元間的相互連接構(gòu)成了神經(jīng)網(wǎng)絡(luò)模型。其中分層網(wǎng)絡(luò)模型是將眾多神經(jīng)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)。 油田原油產(chǎn)量的準確預測可以對油田的生產(chǎn)管理進行合理的指導。采用了兩層預測系統(tǒng):第一層包含兩個神經(jīng)網(wǎng)絡(luò),一個多層前饋網(wǎng)絡(luò)和一個函數(shù)鏈接網(wǎng)絡(luò)。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(yīng)前饋神經(jīng)網(wǎng)絡(luò)法和自適應(yīng)函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)法。為了確保油田開發(fā)生產(chǎn)處于高產(chǎn)穩(wěn)產(chǎn)狀態(tài),對油田原油產(chǎn)量的可靠預測是油田開發(fā)的一項關(guān)鍵研究工作之一。油田的生產(chǎn)來自于油井,油井的開井數(shù)量是很重要的影響因素。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。一些學者從油藏工程的角度出發(fā),對油田產(chǎn)量預測方法進行了許多研究,其基本方法是把油產(chǎn)量和含水率、動用儲量等關(guān)系看作是線性關(guān)系,根據(jù)經(jīng)驗建立其線性系統(tǒng)。近年來,也有人開始研究應(yīng)用神經(jīng)網(wǎng)絡(luò)預測油田的原油產(chǎn)量。例如,一個特定結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)可能對某些數(shù)據(jù)預測效果很好,但是對其他的數(shù)據(jù)預測效果可能不理想,而采用另外的一種網(wǎng)絡(luò)結(jié)構(gòu)也許效果更好。本文主要討論兩種不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),一種是前饋多層網(wǎng)絡(luò),另一種是函數(shù)鏈接網(wǎng)絡(luò)。實驗結(jié)果表明,基于不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)的預測,并將各網(wǎng)絡(luò)的預測結(jié)果進行組合要比單一結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)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(yīng)用范圍。該系統(tǒng)基于現(xiàn)有的油田開發(fā)歷史數(shù)據(jù),建立相應(yīng)的規(guī)則集,使用神經(jīng)網(wǎng)絡(luò)的訓練方法(如梯度下降學習算法) ,在訓練過程中調(diào)整參數(shù),并自適應(yīng)增加規(guī)則,以使系統(tǒng)的輸出最佳地逼近于目標樣本。因此,基于模糊神經(jīng)網(wǎng)絡(luò)(FNN) 的油田產(chǎn)量預測方法研究具有較好的實際應(yīng)用價值。常規(guī)油田產(chǎn)量預測方法主要有遞減曲線分析法、水驅(qū)曲線法和數(shù)學模型法等。常規(guī)預測方法的缺陷是不能直考慮儲層的非均質(zhì)性對油田產(chǎn)量的影響,也無法考慮各項人為因素的改變對油田產(chǎn)量的影響。但對于地質(zhì)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(yīng)用效果不夠理想。根據(jù)油田開發(fā)的歷史數(shù)據(jù),建立規(guī)則集,然后選取2/3 的樣本數(shù)據(jù)對網(wǎng)絡(luò)進行訓練,使輸出能夠較好地逼近目標值或滿足誤差指標。實驗結(jié)果表明,基于模糊神經(jīng)網(wǎng)絡(luò)的預測結(jié)果比應(yīng)用常規(guī)的BP 網(wǎng)絡(luò)預測結(jié)果更為理想。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(guān)鍵因素。因此,人們將神經(jīng)網(wǎng)絡(luò)中學習的概念引入模糊推理系統(tǒng),從而產(chǎn)生模糊神經(jīng)系統(tǒng)?？梢詫θ我舛嗪腿我鈴碗s的二維模式進行自組織、自穩(wěn)定和大規(guī)模并行處理。目前主要應(yīng)用于模式識別。圖23 ARTl分類網(wǎng)絡(luò)結(jié)構(gòu)這是一個兩層網(wǎng)絡(luò)，卜層為輸入層，其神經(jīng)元個數(shù)就等于輸入樣本的特征個數(shù)。其中上下層神經(jīng)元之間的連線有兩條，并且輸出層神經(jīng)元之間也有連線，起“側(cè)抑制”作用，即神經(jīng)元總是使自己有最大輸出，而使周圍輸入層神經(jīng)元輸出達到最小。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(wǎng)絡(luò)結(jié)構(gòu)相對復雜化，其計算速度很難與ART1相媲美。通過對比可以看出，它與BP網(wǎng)絡(luò)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?？傊?，自組織神經(jīng)網(wǎng)絡(luò)方法值得在測井資料解釋中進一步推廣應(yīng)用。在正向?qū)W習過程中，輸入信息從輸入層經(jīng)隱蔽單元層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。反向傳播神經(jīng)網(wǎng)絡(luò)（簡稱BP網(wǎng)絡(luò)）的結(jié)構(gòu)如圖14所示。故標準的BP模型由三個神經(jīng)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。圖24 BP模型 對于BP網(wǎng)絡(luò)的輸入層神經(jīng)元，其輸出與輸入相同，即 。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(wǎng)絡(luò)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。否則，通過修正權(quán)值，使網(wǎng)絡(luò)的理想輸出與實際輸出一致。即對于輸入/理想輸出對p，權(quán)值按下式進行調(diào)整： (24)這里為實際輸出，為網(wǎng)絡(luò)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(jīng)元層，因為中間隱含神經(jīng)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。 設(shè)網(wǎng)絡(luò)輸出誤差為 (25)并設(shè)為整個訓練集中所有樣本產(chǎn)生的輸出誤差之和。現(xiàn)在的問題是如何求得網(wǎng)絡(luò)中各個神經(jīng)元的δ的值。為了計算δ，可再一次利用偏微分規(guī)則，即 (29)由式（23）有 而對于式（29）中的第一項的計算分兩種情況來進行，若為網(wǎng)絡(luò)的輸出神經(jīng)元時，由的定義可得 這與標準的Delta算法的結(jié)果是一致的。所以這個過程也稱為誤差反向傳播。如果神經(jīng)元的輸出函數(shù)取為如下的形式 (213)這里θj表示神經(jīng)元的門限，則式（211）和式（212）可以簡化為式（214）和（215） (214) (215)其中式（214）對應(yīng)于輸出神經(jīng)元，而式（215）對應(yīng)于隱含神經(jīng)元。而當η取得較小時，學習的速率就較慢，但一般比較平穩(wěn)。所有訓練樣本的誤差平均值E（W），稱為網(wǎng)絡(luò)的均方誤差函數(shù)： (216)δ法則就是從某一初始矢量W0開始，逐步改變權(quán)系數(shù)值，使E（W）減小。而且當神經(jīng)元的輸出近于飽和時，該神經(jīng)元的輸出對權(quán)系數(shù)將不敏感。要跳出這些局部最小達到全局最小使一個比較復雜的問題，一般采用模擬退火的方法來克服局部最小。BP算法的主要缺點是學習速度慢，主要改進方向是如何提高訓練速度，其中網(wǎng)絡(luò)結(jié)果和訓練算法是改進BP算法的兩個方面，可以嘗試的途徑有改變目標函數(shù)、修改作用函數(shù)、改變搜索方向和步長、改進訓練策略等等。在S性非線形函數(shù)中加入一些常數(shù)，以改變其非線形特性其中α，β，ε為常數(shù)，它們可以用來調(diào)整曲線的陡度。當訓練集的樣本足夠多時，就能體現(xiàn)輸入樣本的統(tǒng)計規(guī)律性。其應(yīng)用范圍主要在識別分類、非線形映射、復雜系統(tǒng)仿真等。設(shè)學習P個樣本，結(jié)點i在非線形S函數(shù)作用下的輸出為 (217)并設(shè) 則： 從而 (218)設(shè)輸入p樣本時，輸出層的前一層輸出向量為, 希望對輸出層第j個結(jié)點的權(quán)修正向量滿足 (219)當 O1 ,O 2 , …OP 相互正交，且輸出層結(jié)點個數(shù)等于樣本數(shù)時結(jié)點，它的上層有n個結(jié)點，這n個結(jié)點的誤差向量傳到隱含層的誤差向量為可推導出 （220)式中,△分別為隱含層的輸出和所需修正的誤差 (221)式中為隱含層的前一層在樣本為Xi時的輸出。所用模型是一個3層BP網(wǎng)絡(luò)，輸入層有100個神經(jīng)元，隱含層為10個神經(jīng)元，輸出層也由100個神經(jīng)元構(gòu)成。第3章 利用BP神經(jīng)網(wǎng)絡(luò)預測油田產(chǎn)量 BP神經(jīng)網(wǎng)絡(luò)預測油田產(chǎn)量的數(shù)學模型在開采條件一定的情況下，影響單井日產(chǎn)量（或可采儲量）的眾多因素中，儲層參數(shù)和原油參數(shù)是最重要的。運用神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，以已知油井的5個儲層物理參數(shù)（累積厚度、溫度、有效孔隙度、有效滲透率和壓力），3個原油物理參數(shù)（含油飽和度、地下原油粘度和密度）及單井日產(chǎn)量（或可采儲量）為學習樣本，經(jīng)過神經(jīng)網(wǎng)絡(luò)學習，自動生產(chǎn)知識庫。用神經(jīng)網(wǎng)絡(luò)預測油井產(chǎn)油量和水量分兩步進行，首先用過去實際日平均產(chǎn)油和產(chǎn)水量進行訓練學習，通過不斷調(diào)節(jié)各節(jié)點之間的權(quán)值，把時間序列與產(chǎn)油量和產(chǎn)水量之間的非線關(guān)系分布到連接權(quán)上，直到網(wǎng)絡(luò)訓練為止，這由逆向傳播法來實現(xiàn)，這就是訓練學習過程。通常采用BP網(wǎng)絡(luò)結(jié)構(gòu)有三層：輸入層，隱含層和輸出層，輸入層只有一個輸入節(jié)點，它代表時間間隔（月份）t=xx0，隱層的節(jié)點數(shù)由經(jīng)驗確定，一般是輸入節(jié)點的23倍，輸出層有兩個節(jié)點，分別輸出相應(yīng)時間的產(chǎn)油量和產(chǎn)水量。在實踐中，我們發(fā)現(xiàn)這樣的網(wǎng)絡(luò)結(jié)構(gòu)不易收斂。（2）一般情況下，網(wǎng)絡(luò)的隱層和輸入層均采用如下的變換函數(shù)： （31）而相應(yīng)于預測問題，這個函數(shù)極易使網(wǎng)絡(luò)落入布局極小值點。 （32）圖31 未擴展的BP網(wǎng)絡(luò)結(jié)構(gòu)本文實際采用的預測網(wǎng)絡(luò)結(jié)構(gòu)如圖32所示，輸入層12個結(jié)點，隱層24個結(jié)點，輸出層2個結(jié)點。（2）對網(wǎng)絡(luò)各層權(quán)值賦隨機值。（4）計算結(jié)點輸出層的值與期望輸出值之間的差值。（6）全部樣本修正之后，計算全局誤差，如果誤差不滿足精度，則重復35步，直到誤差減小到允許范圍內(nèi)為止。圖33 網(wǎng)絡(luò)訓練過程的流程圖預測產(chǎn)油量和產(chǎn)水量過程：網(wǎng)絡(luò)訓練好之后，將待預測井的各時間間隔送到網(wǎng)絡(luò)中，網(wǎng)絡(luò)工作后，輸出層的輸出值就是預測的對應(yīng)時間的產(chǎn)油量和產(chǎn)水量，其流程圖如圖34所示。任取其中一口井5818井來說明，全局誤差E=，當網(wǎng)絡(luò)經(jīng)過30000次循環(huán)迭代后收斂，訓練結(jié)束。圖35是5818井預測和實際的日平均產(chǎn)油量比較圖，圖36是5818井預測和實際的日平均產(chǎn)水量比較圖，根據(jù)產(chǎn)油量、產(chǎn)水量和含水率三者之間的關(guān)系，就可預測其含水率的變化情況，如圖37所示，結(jié)果表明：利用人工神經(jīng)網(wǎng)絡(luò)預測油田單井產(chǎn)量是一種有效的方法。 BP神經(jīng)網(wǎng)絡(luò)方法是一種有導師的學習算法，它具有自組織、自學習、自適應(yīng)、容錯和抗干擾能力等優(yōu)越性。反向傳播神經(jīng)網(wǎng)絡(luò)通過信息向前輸入和誤差反向傳播，能得到較小的均方收斂誤差，其缺點是收斂速度較慢。實例計算表明用該方法預測油井產(chǎn)量操作簡便，精度較高。論文的完成與導師張繼成的關(guān)心和支持是分不開的。我愿借此機