神经网络特征范文

时间:2024-04-01 18:16:28

导语:如何才能写好一篇神经网络特征,这就需要搜集整理更多的资料和文献,欢迎阅读由公务员之家整理的十篇范文,供你借鉴。

神经网络特征

篇1

关键词:自组织特征映射;人工神经网络;岩性识别;测井资料

中图分类号:TP183文献标识码:A文章编号:1009-3044(2008)26-1764-03

The Logging Lithological Identification by Using Self-organizing Feature Map Neural Networks

SHI Xiao-song, CHENG Guo-jian

(School of Computer Science,Xi'an Shiyou University, Xi'an 710065, China)

Abstract: The self organizing feature map (SOFM) neural network has superior clustering and fault-tolerant ability. In this paper SOFM was used to solve the well-logging lithological identification. We described firstly SOFM network modeling and then, by combined it with a set of actual well-log data, a lithological identification model was set up by Matlab programming and the specific research on this field was carried on. By compared the SOFM-based results with some known well-logging information, it was shown that the SOFM modeling is very effective and efficiency for the well-logging lithological identification. It is also shown thatSOFM modeling has a good prospect for the petroleum reservoir engineering.

Key words: self organizing feature map; artificial neural network; lithological identification; logging data

1 引言

近年来,各国的油气需求量都在急剧增加。测井在油气勘探中被比喻成人的眼睛,测井资料所携带的地质信息是确定地层含油储藏量的重要依据,因此,利用测井资料进行岩性识别在油气勘探中非常重要。

传统的岩性识别方法主要有交会图快速识别方法和统计学方法等;应用BP神经网络,识别的准确率较高。但是BP算法有一些局限性,如收敛速度慢,容易陷入局部极小值点等。本文将自组织特征映射网络用于测井岩性识别,岩性识别结果完全正确,表明此方法有较好的应用效果。

2 SOFM神经网络的基本思想、拓扑结构及学习规则

人工神经网络(Artificial Neural Network, 简称ANN)是近年来发展起来的模拟人脑生物过程的人工智能技术。它由大量简单的神经元广泛互连形成复杂的非线性系统,不需要任何先验公式,就能从已有数据中自动地归纳规则,获得这些数据的内在规律,具有很强的自学习、自组织、自适应和非线性映射能力,特别适合于因果关系复杂的非线性推理、判断、识别和分类等问题。

自组织特征映射(Self Organizing Feature Map,也称Kohonen映射)神经网络(简称SOFM 神经网络),是由Kohonen教授提出的对神经网络的数值模拟方法。这种方法有降维的功能,是人工神经网络的重要分支之一。

自组织特征映射网络(SOFM)是自组织网络中的一种,所谓的自组织过程是指学习的结果总是使聚类区内各神经元的权重向量保持向输入向量逼近的趋势,从而使具有相近特性的输入向量聚集在一起。这种结构的网络能够从输入信息中找出规律以及关系,并且根据这些规律来相应地调整网络,使得以后的输出与之相适应。

2.1 自组织特征映射网络的(SOFM)基本思想

SOFM 网络中神经元的拓扑组织就是它最根本的特征。对于拓扑相关而形成的神经元子集,权重的更新是相似的。且在这个学习过程中,这样选出的子集将包含不同的神经元。

通过训练,我们要建立起这样一种布局,它使得每个权值向量都位于输入向量聚类的中心。一旦SOFM完成训练,就可以用于对训练数据或其它数据进行聚类。

2.2 SOFM网络的拓扑结构:

SOFM 神经网络是一个两层网络,即由输入层和竞争层组成,输入层接收样本,竞争层对样本进行分类,这两层的神经元进行完全相互连接,竞争层的神经元按二维形式排列成一个节点矩阵,一般输入层节点数等于能够代表分类问题模式的维数,输出节点数根据

具体问题来决定。SOFM网络的拓扑结构图, 如图1所示:

2.3 网络的学习规则

网络根据其学习规则,对输入模式进行自动分类,即在无师示教的情况下,通过对输入模式的自组织学习,抽取各个输入模式的特征,在竞争层将分类结果表示出来。当输入样本分属多个类型时,N维特征空间就会呈现出多个集群状分布的特点 。每个集群代表一个类型,集群的中心就是聚类中心。同属一类的样本与该类聚类中心的距离比与另一类聚类中心的距离要小。

具体的聚类过程是先将输入向量和连接权值向量正规化,再计算该输入向量和各输出单元连接权值的距离,有最小值者即为获胜单元。然后以获胜单元为中心定义其邻近区域,只要是在此邻近区域内的输出单元,其相关权值皆参与更新。在网络学习过程中,邻近区域将随时间减小,学习速率也随时间减小。最终,当各输入向量与连接权值的最小欧氏距离总和达到一定阈值时,将认为网络收敛,学习结束,各连接权值到达各聚类的中心。

3 岩相的识别

MATLAB的NN Toolbox提供了丰富的函数建立经网络,主要包括神经网络函数、权值函数、网络的输入函数、传递函数、初始化函数、性能函数、学习函数、自适应函数、以及训练函数等。因此熟练掌握好建立、学习、训练网络的NN Toolbox非常必要,下面以一个具体的实例说明SOFM网络实现岩相的识别的全过程。

SOFM 的基本结构中网络的输出层为二维的平面结构 。输入层与竞争层各神经元之间实现全互连。本例选取某地区的资料进行研究。该地区属于碳酸盐地层,因此需要判断的岩性有3种,即荧光灰岩,泥质粉砂岩和砂砾屑灰岩。通过对历史资料的分析和现场实验可知,选择自然伽玛(GR) 、声波(AC) 、自然电位(SP) 、井径(CAL) 、微梯度(RLML) 、微电位(RNML) 和电阻率(RT) 这7 项测井参数来指示岩性。

表1列出了15组,接下来就利用这15组样本作为网络的训练样本。表3列出了7组用来进行测试。

利用函数NEWC创建一个自组织竞争网络,需要区分的数目为15,因此神经元的数目为15,学习速率设为0.8。

把输入模式输入SOFM网络,进行网络权值训练,网络竞争层各神经元对输入模式的响应机会,最后仅有一个神经元成为竞争的胜者,并对那些与获胜神经元有关的各连接权朝着更有利于它竞争的方向调整,这一获胜神经元就表示对输入模式的分类。输入模式样本与获胜神经元的对应关系见表一中最后一列。这样,岩性与竞争层获胜神经元就建立了对应关系,见表2,SOFM网络岩性识别模型就建立起来了。

MATLAB代码为:

P=[ 25.4 28.4 29.6 27.8 21.8 116.7 115.8 123.1 129.2 151.9 66.1 65.2 64.2 65.6 66.6 ;

166.2170.2 161.2 158.8 164.3 207.2 206.8 201.8 201.7 200.5 175.1 160.1 156.8 160.7 162.7;

22 22 21.8 21.7 21.4 74.8 74.8 75 74.8 74.6 54.3 54.3 54.3 54.3 54.3 ;

21.6 22.122.7 22.4 21.2 23.3 23.3 23.5 23.523.7 19.9 19.9 19.9 19.4 19.4;

10.1 9.2 7.6 8.3 9.2 9.5 9.8 8.7 8.8 9 9.1 6.2 6.5 6.5 6.5 ;

10.9 10 7.9 9 9.2 8.9 8.4 7.9 7.7 7.7 11.4 9.2 9.2 9.2 9.2;

1097.5 1087.9 1026.3 1029.7 1098.3 58.2 57.2 59.6 61 62.3 388.9 387.8 388.4 387.4 387.7]

plot(P(1,:),P(7,:),'.');

title('初始岩相分布') ;%见图2。

net = newc(minmax(P),15,0.80)%网络创建结束后,接下来需要对网络进行训练:

net = init(net)

net.trainParam.epochs=3000

net=train(net,P)

%当达到最大训练次数时,训练停止。为了检验网络的分类性能,可以利对网络进行测 %试。用仿真函数检验网络对上述岩性的分类。

Y=sim(net,P)

%利用函数vec2ind将Y转换为串行数据:

Y1=vec2ind(Y)

运行结果为:

111112222212711710

% 把结果可视化 ,见图3。

figure;

for i=1:15

if Y1(i)==1

plot(P(1,i),P(7,i),'红','markersize',15);

elseifY1(i)==2

plot(P(1,i),P(7,i),'黄','markersize',15);

else ; plot(P(1,i),P(7,i),'绿','markersize',15); end

title('荧光灰岩:(1 红)泥质粉砂岩:(2 黄)砂砾屑灰岩:(5-15 绿)') ;

hold on;end

分为3类

由此可见,网络成功地对上述岩性模式进行了分类,其中P的前5组数据(列向量)为一类,中间5组数据为一类,最后5组数据为一类,这与表的数据是吻合的。

4 岩相及效果分析

岩性与竞争层获胜神经元的对应关系如表2所示:

现有一组石灰石的影响因子,接下来利用该组数据对网络进行测试,看网络能否成功地对它进行识别。

MATLAB代码为:

P_test=[29.5 ;167.1 ;21.9 ;22.5 ;8.2 ;9.1 ;1060.8 ;];

Y_test= sim (net,P_test);

Yc_test= vec2ind(Y_test)

.......

结果为:

Yc_test =1,1,1,2,2,2,10,8.

得到8个未知岩性样品的岩性识别结果,见表3倒数第一行。经检验,岩性识别结果完全正确结果和表3相符,由此可见,网络成功的识别了该组数据,因此可以说,网络的性能是不错的。

通过调节网络的有关参数,使网络对输入敏感,可以划分的岩相类别数目多而细致。但也不能使其过于敏感而失去意义。在一个地区,让网络处于最佳状态,依据所建立的分类号与岩相的对应关系,就可以用在区类的其它的井中,利用自组织神经网络快速方便的分类。

5 结语

SOFM网络的训练过程是一种自组织特征映射神经网络(SOFM)模拟大脑神经系统的自组织特征映射功能,是一种非监督竞争式学习的前馈网络 ,在训练中能无监督自组织学习 。它通过学习可以提取一组数据中的重要特征或某种内在规律,按离散时间方式进行分类 。网络可以把任意高维的输入映射到低维空间,并且使得输入数据内部的某些相似性质表现为几何上邻近的特征映射。这样,就在输出层映射成一维或二维离散图形,并保持其拓扑结构不变 。在SOFM网络岩性识别模型的建立过程中,15个7维数据输入模式样本,在输出层映射成一个一维离散图形,将15个样本聚集成3类,分别聚集在神经元1上,神经元2上,神经元5,8,10,15上,这种分类反映了样本集的本质区别,大大减弱了一致性准则中的人为因素。这与应用传统方法将15个岩样分为荧光灰岩、泥制粉砂岩和砂烁屑灰岩相互应证,也说明了通过映射图形聚类也是一种SOFM网络岩性识别方法,并且该网络有快速方便的特点,能较可靠的对各种岩相的测井响应进行自动划分。

参考文献:

[1] 葛哲学,孙志强.神经网络理论与MATLABR2007实现[M].北京:电子工业出版社,2007.

篇2

关键词 水平衰减全反射傅里叶变换红外光谱; 离散小波特征提取; 人工神经网络; 鳞毛蕨科植物; 识别分析

2011-05-15收稿;2011-09-09接受

* E-mail:

1 引 言

随着现代科学技术的发展,学科之间的联系越来越密切,出现了许多相互交叉、相互渗透的边缘科学。20世纪60年代前后,在植物分类学与植物化学这两门科学之间出现了一门新的边缘科学――植物化学分类学[1]。植物化学分类学亦称植物化学系统学,是利用化学的特征,来研究植物各类群间的亲缘关系,探讨植物界的演化规律。对于一个植物体而言,其化学成分不是单一的,如何利用其复杂的化学成分来进行物种间的鉴别成为一个植物化学分类学的焦点问题[2]。傅里叶变换红外光谱由于能给出复杂体系的所有物质的化学结构信息,不同植物体具有不同的化学成分或相同的化学成分所占比例的不同,都可以产生不同的傅里叶变换红外光谱,因而将傅里叶变换红外光谱技术作为一种分析工具应用于植物的识别具有重要的理论意义和现实依据[3]。借助于化学计量学,能够更为准确和快速地利用傅里叶变换红外光谱法进行植物的分类与识别[4~9]。

蕨类植物早在4亿年前便已遍布地球表面,它同时兼具原始维管束植物与高等隐花植物双重演化的地位。大多数蕨类植物均有药用价值,药用蕨类植物含有黄酮、甾类、生物碱等活性物质,对多种疾病有明显疗效[10]。本研究选择形态较为相似的3种鳞毛蕨科的中型草本植物贯众、阔鳞鳞毛蕨及变异鳞毛蕨为分析对象,采用水平衰减全反射傅里叶变换红外光谱法测定FT-IR后运用离散小波进行特征提取,得到特征向量值后进行人工神经网络训练及检验,得到了较高的识别率。

2 实验部分

2.1 仪器与样品

NEXUS 670型傅里叶变换红外光谱仪(美国Thermo公司),配DTGS 检测器,OMNIC E.S.P. 5.1智能操作软件,水平衰减全反射(HATR)附件,光谱范围为4000~650 cm

Symbolm@@ 1,分辨率2 cm

Symbolm@@ 1, 扫描累加次数64次。

贯众为鳞毛蕨科植物贯众(Cyrtomium fortunei J. Sm)的干燥全草;阔鳞鳞毛蕨为鳞毛蕨科植物阔鳞鳞毛蕨(Dryopteris championii (Bench) C. Chr. apud Ching)的干燥全草;变异鳞毛蕨为鳞毛蕨科植物变异鳞毛蕨(Dryopteris varia (L.) O. Ktze.)的干燥全草。所有样品均于2008年3月分别采自于浙江金华北山及四川峨眉山,并经过浙江师范大学植物学教研室及上海师范大学植物学教研室鉴定。将采得的样品洗净,不经过任何化学处理,于避光处晾干。然后分别裁取样品的根部作为分析的对象,放入粉碎机中粉碎,再置于玛瑙研钵上研磨成约75

SymbolmA@ m的细小均匀粉末。准确称取每种样品8 mg,待测。

2.2 测定方法

在采集数据前,按要求将HATR附件水平放置于傅里叶变换红外光谱仪的样品仓中,分别将样品粉末置于锗晶片与校正压力装置之间,转紧压力装置后直接测定样品的FT-IR。为了降低测定误差,每次测定接触面积均固定为0.314 mm.2,图谱基线采用自动校正法进行校正。

2.3 数据处理

通过测定,得到样品的FT-IR。采用Matlab 6.1软件,对拷贝自实验中所给定的样品的FT-IR进行一维离散小波变换,在各个分辨率下观察样品的FT-IR差异程度,从中选择两个具有代表性的分辨率进行提取特征向量值。进行人工神经网络识别时,以3种蕨类根部的FT-IR作为实验样本。样本的训练集和测试集各选取240个,每种植物不同产地的训练数及预测样本数各选择40个,样本经过FT-IR测定后进行一维离散小波特征提取,其所选择的特征向量值作为特征信息进行ANN的训练与预测。

3 结果与讨论

3.1 鳞毛蕨科3种植物根的HATR-FTIR谱图比较

贯众、阔鳞鳞毛蕨和变异鳞毛蕨3种植物根部典型的FT-IR如图1所示。

图1 3种蕨类植物根部的FT-IR

Fig.1 FT-IR spectra of the root of three kinds of pteridophyte plants

a. 贯众; b. 阔鳞鳞毛蕨; c. 变异鳞毛蕨。a. Cyrtomium fortunei J. Sm; b. Dryopteris championii (Bench) C. Chr. apud Ching; c. Dryopteris varia (L.) O. Ktze.

从图1可见,由于黄酮、甾类、生物碱、三萜类化合物、鞣质、甾醇、内酯、氨基酸等是蕨类植物中主要的活性物质,故在3300 cm

Symbolm@@ 1均有羟基伸缩振动吸收峰,并在1030~1200 cm

Symbolm@@ 1间出现不同的CO键伸缩振动吸收峰。在3378 cm

Symbolm@@ 1处的吸收峰为三萜类、多糖类和甾醇类化合物的羟基吸收峰。3328,1612和1434 cm

Symbolm@@ 1处的吸收峰为氨基酸的氨基和酸根吸收峰。1031 cm

Symbolm@@ 1处为糖类的CO吸收峰,由于1031 cm

Symbolm@@ 1处的吸收峰为第一强峰,可推断属多糖类化合物。在2921和1373 cm

Symbolm@@ 1处的吸收峰为CH2和CH3的吸收峰。

由于3种蕨类植物为同科植物,所含化学成分比较相近,所以从所得FT-IR图谱很难直接获得更多分类识别的信息。小波变换是继傅里叶变换后所出现的一种更为有效的信号处理及特征提取方法,素有“数学显微镜”之称。为了更为直观地识别3种鳞毛蕨科植物,采用离散小波变换进行提取特征向量值。它能将图谱变换为一系列小波系数,这些系数可以被高效压缩和存储。提取特征向量后进一步采用人工神经网络进行分类识别。

3.2 3种蕨类植物的离散小波特征提取

在进行离散小波分解时,应该根据信号的光谱特性选择适当的小波基函数和分解层数。在小波多分辨率分解过程中,根据HATR-FT-IR信号的特性并比较不同分辨率下信号分解的效果, 确定合适的小波基及小波尺度。其标准是突出原始光谱中的若干个特征峰,并选取平滑性好的小波基。常用的小波基有Mexicon hat,Meyer,Morlet,Daubechies,Coiflet及Symlets等(图2)。以小波基形状与待分析信号形状是否更接近及衰减信号是否更快作为选择的前提,经比较分析,选取了Daubechies小波作为“分析小波”。本研究提取小波域中原始信号FT-IR中的两个特征峰,以提取其特征值。对3种蕨类植物的FT-IR分别进行了一维离散小波变换,分解的层数为5。经过比较分析,选择其中两层(4和5)提取特征值。

图3为利用离散小波变换分别对贯众、阔鳞鳞毛蕨及变异鳞毛蕨的FT-IR进行多分辨率离散小波变换分解的结果。由图3可见,当离散小波变换的分辨率比较低时,从小波域上无法分辨其光谱的主要特征,因为其中有较多的细节干扰信号。而细节信号对光谱变化比较敏感,对原始光谱中各个特征峰反应过于强烈,不利于特征提取。因此,取第4层和第5层这2个分辨率的离散小波细节信号作为特征变

图2 小波基函数的曲线

Fig.2 Wavelet basis function curves in time domain

(a) Mexicon hat wavelet;(b) Meyer wavelet;(c) Morlet wavelet;(d) Daubechies wavelet;(e) Coiflet wavelet;(f) Symlets wavelet.

图3 离散小波分解3种蕨类根部FT-IR的结果

Fig.3 Result of pre-processed spectra of FTIR spectra of the root of three kinds of pteridophyte plants with multiresolution discrite wavelet transform (DWT)

量提取空间。特征变量定义为离散小波域内第4层和第5层这2个分辨率下光谱的能量。为了有效提取离散小波域内两个分辨率下的具有代表性的特征值,对每个分辨率下的光谱分别划分特征区间。考虑到植物FT-IR谱的复杂性,本研究从区别比较大的两个区域划分了特征区间(图4)。由图4可见,第4层和第5层每层划分为两个区域,每种植物共获得4个特征值,作为人工神经网络的输入与输出值。

图4 3种蕨类植物特征区间划分示意图

Fig.4 Division of two feature regions of detail signal in DWT domain

a. 贯众; b. 阔鳞鳞毛蕨; c. 变异鳞毛蕨。a. Cyrtomium fortunei J. Sm; b. Dryopteris championii (Bench) C. Chr. apud Ching; c. Dryopteris varia (L.) O. Ktze.

3.3 反向传播(Back-propagation,BP)算法

由于本研究主要用于植物的分类和识别,故采用人工神经网络的反向传播(BP)网络模型。对于反向传播神经元网络,当各节点均采用Sigmoid 型函数时,一个隐含层就足以实现任意的判决分类问题。采用本研究组已建立的算法[11],并采用随机输入方式。

3.4 网络确定与应用结果

经实验确定BP网络结构为4个输入节点、6个隐层节点和3个输出节点,误差0.05, α为0.8,η为0.02。考察训练成功的网络对3种蕨类植物如何进行识别。所用的BP网络结构中4个输入节点依次为归一化为0~1之间的4个特征向量,输出节点按作为教师信号的蕨类植物种类分为:1类(贯众);2类(阔鳞鳞毛蕨);3类(变异鳞毛蕨)。训练后的网络对240个不同产地样品的FT-IR经过离散小波变换后的特征向量数据的预测结果见表1。

从预测结果可见,贯众、阔鳞鳞毛蕨及变异鳞毛蕨这3种蕨类植物均基本上被正确判别,只有采自四川峨眉山的阔鳞鳞毛蕨和变异鳞毛蕨各有一个样本被错误分类,两产地的预测准确率平均值分别达100.00%, 98.75%和98.75%。

3.5 结论

(1)蕨类植物作为药用多使用根部,考虑到根部受环境的影响相对比较小,所以研究时采用蕨类根部作为实验对象;(2)与压片法及液膜法不同,利用HATR-FT-IR法测定蕨类植物,能进行直接测定获得谱图,从而使所得FT-IR有较好的可比性。采用离散小波变换进行数据压缩可以对红外吸收较为相似的贯众、阔鳞鳞毛蕨及变异鳞毛蕨3种蕨类植物的FT-IR进行特征提取。选择第4层和第5层分辨率下的特征值作为分析的基础,从所得特征值进行人工神经网络分类能够较为有效地进行分类。此方法在形态较为相似的同科植物贯众、阔鳞鳞毛蕨及变异鳞毛蕨3种蕨类植物的分类上具有较高的可行性,从而为光谱学与计算机科学技术相结合在植物分类学中的更为广泛的应用提供了较为科学的研究基础。

References

1 LIU Shu-Qian, ZHENG Jun-Hua, GUO De-An, XU Bing-Jiu. Northwest Pharmaceutical J., 1999, 14(5): 222~225

刘叔倩, 郑俊华, 果德安, 徐秉玖. 西北药学杂志, 1999, 14(5): 222~225

2 HUANG Hao, SUN Su-Qin, XU Jin-wen, WANG Zhao. Spectrosc. Spec. Anal., 2003, 23(2): 253~257

黄 昊, 孙素琴, 许锦文, 王 钊. 光谱学与光谱分析, 2003, 23(2): 253~257

3 Lv H F, Cheng C G, Tang X, Hu Z H. Acta Bot. Sinica, 2004, 46(4): 401~406

4 CHENG Cun-Gui, TIAN Yu-Mei, ZHANG Chang-Jiang. Chinese J. Anal. Chem., 2008,36(8): 1051~1055

程存归, 田玉梅, 张长江. 分析化学, 2008,36(8): 1051~1055

5 CHENG Cun-Gui, XIONG Wei, JIN Wen-Ying. Chinese J. Anal. Chem., 2009, 37(5): 676~680

程存归, 雄 玮, 金文英. 分析化学, 2009, 37(5): 676~680

6 Cheng C G, Liu J, Zhang C J, Cai M Z, Xiong W. Appl. Spectros. Rev., 2010, 45(2): 148~164

7 Cheng C G, L J, Wang H, Xiong W. Appl. Spectros. Rev., 2010, 45(3): 165~178

8 CHENG C G, Liu J, Cao W Q, Zheng R W, Wang H, Zhang C J. Vib. Spectrosc., 2010, 54(1): 50~55

9 CHEN Zhi-Cheng, LIU Jun-Xian, HUANG Shu-Shi, TAO Zhan-Hua, WANG Yi-Bing. Com. Appl. Chem., 2009, 26(4): 482~486

陈植成, 刘军贤, 黄庶识, 陶站华, 王一兵. 计算机与应用化学, 2009, 26(4): 482~486

10 CHENG Cun-Gui, MAO Jiao-Yan. Chem. Indu. Forest Prod., 2005, 25(2): 107~110

程存归, 毛姣艳. 林产化学与工业, 2005, 25(2): 107~110

11 CHENG Cun-Gui, Tian Yu-Mei, Zhang Chang-Jiang. Acta Chim. Sinica, 2008,66(7): 793~798

程存归, 田玉梅, 张长江. 化学学报, 2008, 66(7): 793~798

Recognition Among Three Kinds of Pteridophyte Plants Based on

Fourier Transform Infrared-Discrete Wavelet Feature Extraction

and Artificial Neural Network Classification Method

YU Peng.1, XU Rui.2, CHENG Cun-Gui*1

.1(College of Chemistry and Life Science, Zhejiang Normal University, Jinhua 321004, China)

.2(College of Chemical and Pharmaceutical Engineering,

Henan University of Science and Technology, Luoyang 471003, China)

Abstract Fourier transform infrared (FT-IR) and horizontal attenuated total reflectance (HATR) techniques were used to obtain the FT-IR of three kinds of pteridophyte plants (the root of Cyrtomium fortunei J. Sm, Dryopteris championii (Bench) C. Chr. apud Ching and Dryopteris varia (L.) O. Ktze.). The similar features of FT-IR among the root of Cyrtomium fortunei J. Sm, Dryopteris championii (Bench) C. Chr. apud Ching and Dryopteris varia (L.) O. Ktze. were extracted by discrete wavelet transform. The scale 4 and 5 were used to extract the feature vectors, which were used to train the artificial neural network(ANN). The trained neural network was used to classify the root of Cyrtomium fortunei J. Sm, Dryopteris championii (Bench) C. Chr. apud Ching and Dryopteris varia (L.) O. Ktze., which were collected from different places. According to 240 prediction samples, we could effectively identify the root of Cyrtomium fortunei J. Sm, Dryopteris championii (Bench) C. Chr. apud Ching and Dryopteris varia (L.) O. Ktze. by FT-IR with discrete wavelet feature extraction and artificial neural network classification.

篇3

关键词:图像分类;深度学习;Caffe框架;卷积神经网络

中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2016)35-0209-03

Research and Implementation of Image Classification Based on Convolution Neural Network

WANG Chao

(Information Engineering Institute,East China University of Technology, Nanchang 330013, China)

Abstract: The problem of image classification has been the core problem in computer vision. A good solution is developed by further study which can solve the problem of extracting image features in image classification. In order to learn image features efficiently, constructing the machine learning model with hidden layer as well as training a large number of image data will eventually promote the accuracy of image classification or prediction. This paper is intended as an in-depth Caffe learning framework to construct a small image data-base. The convolutional neural network provided by Caffe framework will make a training analysis of the data set and then extract the information of target image features. These can be used for the final prediction of the target image. Compared with the traditional image classification algorithm, the accuracy of the prediction will be greatly improved.

Key words: image classification; deep learning; Caffe framework; Convolutional Neural Network

S着计算机与互联网技术的快速发展,我们已经进入了一个以图像构建的世界。但是面临有海量图像信息却找不到所需要的数据的困境,因而图像分类技术应运而生。通过各种机器学习算法使计算机自动将各类图像进行有效管理和分类,但是由于图像内容包含着大量复杂且难以描述的信息,图像特征提取和相识度匹配技术也存在一定的难题,要使得计算机能够像人类一样进行分类还是有很大的困难。

深度学习是近十年来人工智能领域取得的重要突破,在图像识别中的应用取得了巨大的进步,传统的机器学习模型属于神经网络模型,神经网络有大量的参数,经常会出现过拟合问题,因而对目标检测准确率上比较低。本文采用卷积神经网络框架,图像特征是从大数据中自动学习得到,而且神经网络的结构深由很多层组成,通过重复利用中间层的计算单元来减少参数,在特征汇聚阶段引入图像中目标的显著信信息,增强了图像的特征表达能力。通过在图像层次稀疏表示中引入图像显著信息,加强了图像特征的语义信息,得到图像显著特征表示,通过实验测试,效果比传统的图像分类算法预测的准确度有明显的提升。

1 基于卷积神经网络的图像分类方法

1.1 人工神经网络

人工神经网络(Artificial Neural Network, ANN)是描述生物神经网络运行机理和工作过程的抽象和简化了的数学物理模型,使用路径权值的有向图来表示模型中的人工神经元节点和神经元之间的连接关系,之后通过硬件或软件程序实现上述有向图的运行[1]。目前最典型的人工神经网络算法包括:目前最典型的人工神经网络有BP网络 [2]Hopfield网络[3]Boltzmann机[4]SOFM网络[5]以及ART网络人工神经网络[6],算法流程图如图1所示[7]。

1.2 卷积神经网络框架的架构

Caffe是Convolutional Architecture for Fast Feature Embedding的缩写[8],意为快速特征嵌入的卷积结构,包含最先进的深度学习算法以及一系列的参考模型,图2表示的是卷积神经网络结构图。Caffe深度学习框架主要依赖CUDA,IntelMKL,OpenCV,glog软件以及caffe文件。本文使用的各个软件版本说明,如表1所示。

Caffe深度学习框架提供了多个经典的卷积神经网络模型,卷积神经网络是一种多层的监督学习神经网络,利用隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能,卷积神经网络模型通过采取梯度下降法最小化损失函数对网络中的权重参数逐层反向调节,通过频繁的迭代训练来提高网络的精度。卷积神经网络使用权值共享,这一结构类似于生物神经网络,从而使网络的复杂程度明显降低,并且权值的数量也有大幅度的减少,本文使用这些模型直接进行训练,和传统的图像分类算法对比,性能有很大的提升,框架系统训练识别基本流程如图3表示。

1.3 图像分类特征提取

卷积神经网络的结构层次相比传统的浅层的神经网络来说,要复杂得多,每两层的神经元使用了局部连接的方式进行连接、神经元共享连接权重以及时间或空间上使用降采样充分利用数据本身的特征,因此决定了卷积神经网络与传统神经网络相比维度大幅度降低,从而降低计算时间的复杂度。卷积神经网络主要分为两个过程,分为卷积和采样,分别的对上层数据进行提取抽象和对数据进行降维的作用。

本文以Caffe深度学习框架中的 CIFAR-10数据集的猫的网络模型为例,如图4所示,对卷积神经网络模型进行训练。CIFAR-10是一个标准图像图像训练集,由六万张图像组成,共有10类(分为飞机,小汽车,鸟,猫,鹿,狗,青蛙,马,船,卡车),每个图片都是32×32像素的RGB彩色图像。通过对数据进行提取和降维的方法来提取图像数据的特征。

2 实验分析

将猫的图像训练集放在train的文件夹下,并统一修改成256×256像素大小,并对猫的图像训练集进行标记,标签为1,运行选择cpu进行训练,每进行10次迭代进行一次测试,测试间隔为10次,初始化学习率为0.001,每20次迭代显示一次信息,最大迭代次数为200次,网络训练的动量为0.9,权重衰退为0.0005,5000次进行一次当前状态的记录,记录显示如下图5所示,预测的准度在98%以上。而相比传统的图像分类算法BP神经网络网络的收敛性慢,训练时间长的,网络的学习和记忆具有不稳定性,因而卷e神经网络框架在训练时间和预测准度上具有非常大的优势。

3 结束语

本文使用Caffe深度学习框架,以CIFAR-10数据集中猫的网络模型为例,构建小型猫的数据集,提取猫的图象特征信息,最后和目标猫图像进行预测,并和传统的图像分类算法进行对比,预测的准确率有很大的提升。

参考文献:

[1] 杨铮, 吴陈沭, 刘云浩. 位置计算: 无线网络定位与可定位性[M]. 北京: 清华大学出版社, 2014.

[2] 丁士折. 人工神经网络基础[M]. 哈尔滨: 哈尔滨工程大学出版社, 2008.

[3] McClelland J L, Rumelhart D E, PDP Research Group. Parallel distributedprocessing[J]. Explorations in the microstructure of cognition, 1986, 2.

[4] Hopfield J J. Neural networks and physical systems with emergent collectivecomputational abilities[J]. Proceedings of the national academy of sciences, 1982, 79(8): 2554-2558.

[5] Ackley D H, Hinton G E, Sejnowski T J. A learning algorithm for boltzmannmachines[J]. Cognitive science, 1985, 9(1): 147-169.

[6] Kohonenmaps T. Self-Organized Formation of Topologically Correct Feature Maps[J]. Biological Cybernetics,1982, 43(1): 59-69.

篇4

【关键词】遗传算法;BP神经网络;柴油机;故障诊断

柴油机缸盖振动信号中包含着丰富的工作状态信息,在对其现代诊断技术中,基于振动信号分析的诊断方法显示出了其优越性,利用缸盖振动信号诊断柴油机故障是一种有效方法。故障特征的提取和故障类型的识别是利用振动信号分析法在对柴油机进行故障诊断过程中两个最为重要的过程。根据提取的故障特征识别柴油机的故障类型是一个典型的模式识别问题,对柴油机故障类型识别采用恰当的模式识别方法就尤为重要。神经网络作为一种自适应的模式识别技术,其通过自身的学习机制自动形成所要求的决策区域,而不需要预先给出有关模式的经验知识和判断函数;它可以充分利用状态信息,对来自于不同状态的信息逐一进行训练而获得某种映射关系。鉴于其自身特性,在故障模式识别领域中有着越来越广泛的应用。而据统计,有80%~90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分,是神经网络中最精华、最完美的部分。但是它也存在一些缺陷,例如学习收敛速度、不能保证收敛到全局最小点、网络结构不易确定。遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。其基本操作是选择、交叉和变异,核心内容是参数编码、初始群体的设定、适应度函数的设计、遗传操作设计和控制参数的设定。遗传算法通过种群随机搜索,对数据进行并行处理,将结果收敛到全局最优解。因此,将遗传算法与BP神经网络结合应用于柴油机故障诊断中,可以提高网络的性能,避免网络陷入局部极小解,进而实现对设备故障的识别。

1 BP神经网络

1.1 BP神经元模型在柴油机故障诊断中的应用

BP神经网络是一种多层前馈型神经网络,其神经元的传递是S型函数,输出量为0至1之间的连续量,它可以实现从输入到输出的任意非线性映射。由于权值的调整采用反向传播学习算法,因此也称为其为BP网络。

图1 BP神经元模型

上图给出一个基本的BP神经元模型,它具有R个输入,每个输入都通过一个适当的权值和ω下一层相连,网络输入可表示为:

a=f(wp+b)

f就是表示输入/输出关系的传递函数。

BP神经网络的结构与所有影响齿轮故障的特征因素有关。柴油机运动部件多而复杂,激励源众多且其频率范围宽广,加之噪声的融入,使得柴油机表面振动信号极为复杂。基于这种特点,可以确定用于柴油机故障诊断的BP神经网络的输入层、输出层隐含层以及节点数等。由小波包提取各柴油机故障的特征值作为输入节点,输出节点数目与柴油机故障类别的数目有关。

1.2 BP神经网络与遗传算法

BP神经网络又称为反向传播算法,其算法数学意义明确、步骤分明,是神经网络中最为常用、最有效、最活跃的一种网络模型。常用方法梯度下降法和动量法,但是梯度下降法训练速度较慢,效率比较低,训练易陷入瘫痪,而且其实质是单点搜索算法,不具有全局搜索能力;动量法因为学习率的提高通常比单纯的梯度下降法要快一些,但在实际应用中速度还是不够;BP神经网络学习训练开始时网络的结构参数是随机给定的,因此结果存在一定的随机性。

遗传算法(Genetic Algorithm,GA)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型,它是由美国密歇根大学的J.Holland 教授于1975年首先提出来的,遗传算法具有很强的宏观搜索能力和良好的全局优化性能,因此将遗传算法与BP神经网络结合,训练时先用遗传算法对神经网络的权值进行寻找,将搜索范围缩小后,再利用BP网络来进行精确求解,可以达到全局寻找和快速高效的目的,并且可以避免局部极小点问题。该算法不仅具有全局搜索能力,而且提高了局部搜索能力,从而增强了在搜索过程中自动获取和积累搜索空间知识及自应用地控制搜索的能力,从而使结果的性质得以极大的改善。

2 基于遗传算法的BP神经网络

遗传算法优化BP神经网络主要分为:BP神经网络结构确定、遗传算法优化权值和阀值、BP神经网络训练及预测。其中,BP神经网络的拓扑结构是根据样本的输入/输出个数确定的,这样就可以确定遗传算法优化参数的个数,从而确定种群个体的编码长度。因为遗传算法优化参数是BP神经网络的初始权值和阀值,只要网络结构已知,权值和阀值的个数就已知了。神经网络的权值和阀值一般是通过随机初始化为[-0.5,0.5]区间的随机数,这个初始化参数对网络训练的影响很大,但是又无法准确获得,对于相同的初始权重值和阀值,网络的训练结果是一样的,引入遗传算法就是为了优化出最佳的初始权值和阀值。

2.1 基于遗传算法的BP神经网络在柴油机故障诊断中的应用

通过基于遗传算法的BP神经网络建立小波包特征量与故障之间的对应关系。表1为柴油机常见故障在不同频段的能量分布,构成了人工神经网络的训练样本。表2为网络输出样本,“0”代表没有故障,“1”代表发生故障。利用表1中的训练样本对基于遗传算法的BP神经网络进行训练,经1000次训练达到了理想训练效果。

表1 训练样本

表2 网络理想输出

表3 待诊断的故障样本

表4 诊断结果

将表3中的待诊断的故障样本输入到已经训练好的BP神经网络,得到诊断结果如表4所示。第1组待诊断的信号第1个输出节点接近1,可以根据训练样本结果判断该组数据故障为供油提前角晚;第2组待诊断的信号第4个输出节点接近1,根据训练样本结果可以判断该组数据故障类型为供油提前角早;第3组待诊断的信号第7个数据节点接近1 ,可以判断故障类型为针阀卡死,其诊断结果和现场勘查结果一致。

3 结语

遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始值和阀值。通过以上研究可以看出,遗传算法和BP算法有机的融合,可以有效地弥补BP神经网络结构、权值和阀值选择上的随机性缺陷,充分利用了遗传算法的全局搜索能力和BP神经网络的局部搜索能力,克服了传统的BP神经网络柴油机故障诊断的缺点,提高了柴油机故障诊断的精度。

【参考文献】

篇5

关键词:神经网络 入侵检测;自动变速率;随机优化算子

中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2014)03-0614-03

随着互联网应用的发展,更现显了网络安全的重要性。入侵检测技术在安全防护中是一种主动防护技术,能及时地检测各种恶意入侵,并在网络系统受到危害时进行响应,因此在为安全防御体系中入侵检测系统占有重要的地位。但是在现实的应用中,入侵检测系统没有充分发挥其作用。这是因为,不断变化的入侵方式要求入侵检测模型必须具有分析大量数据的能力。无论这些数据是不完全的,是非结构化的,或者是含有噪音的。而且,有些攻击是由处于不同网络位置上的多个攻击者协作进行的,这就要求入侵检测模型又必须具备处理来自非线性数据源的大量数据的能力。神经网络具有联想记忆能力、自学习能力和模糊运算的能力。因此将神经网络应用入侵检测中,它不仅可以识别出曾见过的入侵,还可以识别出未曾见过的入侵。该文首先介绍了一种改进的神经网络算法,然后分析了该算法在入侵检测中的应用,并给出试验仿真结果。

1 BP神经网络与入侵检测

1.1 BP神经网络的特点与不足

BP神经网络是神经网络模型中应用最广泛一种。它基于成熟的BP算法,主要有以下几个特点:1)它能够实现自组织、自学习,根据给定的输入输出样本自动调整它的网络参数来模拟输入输出之间的非线性关系。2)在存储上采用分布式存储,所有的信息分布存储在每一个神经元中。3)它还可以实现并行处理,下一层的每个神经元可以根据接收到的上一层信息同时独立地计算。这些特点使其很适合应用于入侵检测技术,满足入侵检测的适应性、可靠性、安全性和高效性的要求。

但是传统的BP算法也存在着以下几个方面的不足:1)局部极小;2)学习算法收敛速度慢;3)隐含层节点选取缺乏理论;4)加入新的样本会影响已经学完的样本;5)每次输入样本特征的数目必须确定且相同。

1.2 入侵检测技术

通过对系统数据的分析,当发现有非授权的网络访问和攻击行为时,采取报警、切断入侵线路等措施来维护网络安全,这被就是入侵检测技术。采用此技术设计的系统称为入侵检测系统。根据采用的技术来说入侵检测系统应具有以下几个特性:1)监视用户及系统活动;2) 分析用户及系统活动;3) 异常行为模式分析;4) 识别已知的进攻活动模式并反映报警;5) 系统构造和弱点的审计,操作系统的审计跟踪管理;6) 评估重要的系统和数据文件的完整性,并识别用户违反安全策略的行为。

目前最常用的攻击手段有:拒绝服务、探测、非授权访问和非授权获得超级用户权限攻击。而且这些攻击手段在实际中还有很大的变异,因此给入侵检测带来了一定的难度。BP神经网络的自组织自学习能力,使得经过训练后的BP神经网络对以前观察到的入侵检测行为模式进行归纳总结,除了可以识别出已经观察到的攻击,还可以识别出由已知攻击变异出的新的攻击,甚至是全新的攻击。

2.3 改进的神经网络算法

人工神经网络在模式识别、非线性处理、信号检测等领域应用非常多,这是由于人工神经网络具有的良好的自适应和自组织性,高度的非线性特性以及大规模并行处理和分布式信息存储能力的特性。BP神经网络算法实质上是非线性优化问题的梯度算法,该算法在收敛性问题上存在限制与不足。即该算法学习的结果不能保证一定收敛到均方误差的全局最小点,也有可能落入局部极小点,使算法不收敛,导致陷入错误的工作模式。因此本文选择了改进的神经网络,改进主要有以下几点:

2)自动变速率学习法

传统的BP算法是以梯度为基础,采用LMS学习问题的最陡下降法,学习步长是一个固定不变的较小值,不利于网络的收敛。因此,选择了基于梯度方向来自动调节学习速率的方法。利用梯度确定学习的方向,由速率决定在梯度方向上学习的步长。因此,如果相邻两次的梯度方向相同则说明在该方向是有利收敛的方向,如果相邻两次的梯度方向相反则说明此处存在不稳定。因此,可以利用两次相对梯度变化来确定学习步长,当两次梯度方向相同时则增大学习步长,加快在该方向上的学习速度;而如果两次梯度方向相反那么减小学习步长,加快整个网络的收敛速度。这种方法的自适应速率调节公式如下:

2)引入遗忘因子

本文所采用的自适应变速率学习法是依据相邻两次梯度变化来确定学习步长的算法,但单纯的学习速率的变化还不能即完全地既保证收敛速度,又不至于引起振荡。因此考虑变相的学习速率的学习。即在权值的调节量上再加一项正比于前几次加权的量。权值调节量为:

我们将[τ]称为遗忘因子。遗忘因子项的引入就是对学习过程中等效的对学习速率进行微调的效果。遗忘因子起到了缓冲平滑的作用,使得调节向着底部的平均方向变化。

3)随机优化算子

虽然采用自动变速率学习法,并引入遗忘因子的神经网络算法可以对学习速率进行微调,但是仍存在着BP神经网络的限制与不足因此引入随机优化算子。也就是当网络的权值误差迭代一定的次数后,仍没有明显的收敛,或者系统误差函数的梯度连续几次发生改变,这说明网络进入了一个比较疲乏的状态,需要借助外界的推动力来激活网络。当发现上述的两种情况时,就产生与权值维数相同的随机数,并将随机数与权值直接相加,然后判断系统误差的变化。如果误差没有降低,那么就再继续产生随机数来修改权值,直到误差减少,再从新的权值开始继续BP算法。随机优化算子可以令搜索方向随机变化,从而摆脱局部极小点。

4)改进算法与传统算法比较

以200个训练样本为例,分别采用改进的BP神经网络和经典BP神经网络的方法进行学习、训练。两种算法的误差收敛对比曲线如图1所示。

3 采用改进算法的入侵检测仿真实验

入侵检测系统进行测试和评估需要标准的、可重现的并包含入侵的大量数据。本仿真实验选取DARPA数据集网络连接数据集作为实验数据。然后,对这些数据选三组特征值进行实验,并给出实验结果。

3.1 数据源的选取

该实验的数据采用DARPA 1988入侵检测评估数据库的数据。该数据有大量的连接数据记录。每个一记录代表一次网络连接,且每个记录均有41个特征值,其中各个特征的含义不同,大致可分为三类:1)表示网络连接内容特征;2)表示网络连接基本特征;3)表示网络连接流量特征。

模拟的入侵主要有以下四种类型:DOS 、 R2L、U2R、Probing,考虑到设计的实用性分别对三类特征值用神经网络分别进行训练和识别。实验选取了13000组数据进行仿真实验,其中3000组用于训练神经网络,10000组用于系统测试。

3.2 仿真实验结果

对三类特征组的训练集数据应用改进神经网络分别训练出三个神经网络,表示网络连接内容特征的神经网络,表示网络连接基本特征的神经网络以及表示网络连接流量的特征的神经网络在训练成功时的迭代步数分别为7056,386,3030。然后再对测试集数据进行测试,结果如下:

1)表示网络连接内容特征组,利用改进神经网络进行检测识别,结果如表1所示。

2)表示网络连接基本特征组,利用改进神经网络进行检测识别,结果如表2所示。

3)网络连接流量特征组,利用改进神经网络进行检测识别,结果如表3所示:

从表中数据可以看出对常见的四种攻击,不同的特征分组在改进神经网络的作用下检测各有优势。

4 结论

论文采用自动变速率学习法,利用遗忘因子进行微调,同时引入随机优化算子对BP神经网络进行了改进。改进神经网络的收敛速度比经典BP神经网络更快,同时稳定性也较好。并将该算法应用于入侵检测实验,实验结果显示改进后的算法具有较好的识别攻击的能力。

参考文献:

[1] 肖道举,毛辉.BP神经网络在入侵检测中的应用[J].华中科技大学学报,2003(5).

[2] 汪洁.基于神经网路的入侵检测系统的设计与实现[J].计算机应用与软件,2013(5).

篇6

关键词:成绩采集;模式识别;神经网络;特征提取

中图分类号:G80 文献标识码:A 文章编号:1007-9416(2017)03-0069-01

对于未实行高考口语人机对话的省市,高考口语还是采用打分模式。然后人工采集,为解决这一问题,通过识别手写评分和OCR识别结果比对确保成绩采集的准确。而神经网络很适合用于解决字符识别问题。

1 BP神经网络

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络,是一种典型的前馈神经网络,包含输入层、隐层及输出层。

BP网络是典型的多层网络,分输入层、隐含层和输出层,算法由数据流的前向计算和误差信号的反向传播两个过程构成。通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程[1]。

2 基于神经网络的英语口语成绩采集的实现

为实现更好的采集,需要设计适应识别的评分表,其中定位点、考生条码用于定位到考生并采集成绩,等级手写的分区需要通过神经网络识别等级,OCR等级识别区用采集等级并通过神经网络采集的等级进行比较。

2.1 采集过程

首先预处理图像获取样本进行训练,输入神经网络训练后输出看误差并调整各阶层的权值让输出同OCR值一致,正式识别两种模式结果不一致需要人工干预,有可能等级打错也有可能等级涂错,然后修正结果,确保等级信息准确无误。

2.2 图像预处理

原始评分表的输入有可能产生污点等噪音。所以在识别之前必须对图像进行预处理。预处理一般包括图像分割、灰度、二值化、平滑、去噪音、归一化和细化等。不同识别方法对于处理要求不一样预处理后离散和噪声和归一化和细化处理,将图片形成一个40 ×40 像素点阵(图1得分区图像预处理后图像)。

2.3 神经网络的特征提取

在手写等级识别中,特征的选择是非常关键问题。将经过预处理后的等级数字图像中提取最能体现这个字符特点的特征向量,然后提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练,提取出待识别的等级样本中的特征向量代入训练好的BP网络中,就可以对等级得分字符进行识别。

2.3.1 英语口语成绩采集中BP神经网络结构

将A、B、C、D等级图像的特征向量作为神经网路的输入,确定输入神经元。经过预处理的为40×40的矩阵,共1600各输入神经元。输出较为简单,只要识别A、B、C、D4个等级,输出节点数为4。为加快神经网络学习速度,3层BP网络最为恰当效率高。同时根据网络收敛性能的好坏来确定隐含层神经元个数。根据经验公式:

s=

其中,n为输入层神经元个数,m为输出层神经元个数[2]。计算可得隐含层神经元个数为79。

2.3.2 BP神经网络的训练

手写字符归一化和细化后的图像为40 ×40 的布尔矩阵,1600个元素组成一个手写字符的列矩阵,即字符的特征向量。由A、B、C、D这4个字符的特征列向量组成一个1600×4的输入矢量,训练次数达到最大值神经网络训练就结束。

2.3.3 口语等级识别等分结果

字符识别的正确率和拒识率与字符识别的判断值有关,判断值越高,识别的正确率就高。为确保成绩录取100%正确,通过识别和OCR识别比较,不同再通过人工识别录入确保准确(图2成绩自动识别等分)。

神经网络在口语成绩登分中的应用过程中大大减轻劳动强度,提高准确率,通过多重比对确保成绩录入准确,经过实践应用和比对成绩登分准确率100%,完全可以满足实际需要。

参考文献

篇7

关键词:神经网络 应用 经济预测 改进

神经网络作为新时展最快的人工智能领域研究成果之一,在科学计算、自动控制等方面得到了成功的运用。近年来,我国学者们将神经网络运用于经济预测领域,并且不断地改进应用方法,使基于神经网络的经济预测系统更具效益。本文在此背景下,对神经网络经济预测的应用进行了研究,围绕经济预测的方法应用提出相应的改进建议,从而丰富了经济增长预测理论与实践。

一、神经网络经济预测的方法的概述

1.概念

神经网络,是对人脑或自然神经网络若干基本特征的抽象和模拟。从解剖学和生理学的角度来看,人脑是一个复杂的并行系统,他是由大量的细胞组合而成,这些细胞相互连接。神经细胞与人体中的其他细胞的关键区别在于,神经细胞具有产生、处理和传递信号的能力。在人工神经网络的发展过程中,对生物神经系统进行了不同模拟,提出了各种各样的神经网络模型,其中具有代表的网络模型有感知器神经网络、线性神经网络、BP网络、径向基函数网络、自组织网络。

2.特征

神经网络经济预测的方法不同传统的预测方法,它对经济系统里的多种因素进行分析,进行有效地多输入、多输出的经济预测数据。可以说神经网络经济预测的方法具有以下几种特征:其一,由于神经网络是由复杂的因素构成的,它的输入向量维数比较多。其二,经济系统数据具有很强的非线性,使得输入的向量各分量之间存在着复杂的耦合关系。其三,经济系统处在一个“黑箱”模型下,导致数据之间的相互影响不存在明确表达式的关系。神经网络也会随着时间的增长,数据呈现出增长的趋势。

3.优势

用神经网络进行经济预测相对来说比较准确。因为这种神经网络在计算量允许的范围内,可以很好地拟合任意多对多的映射关系,数据拟合的结果表明,系统拟合相对误差在0%—0.75%,比采取回归分析逼近效果好。此外,神经网络各层节点之间的联结权数及阈值恰好可以表达经济系统中各个因素之间相互交织、相互影响的强耦合关系.而采取多元回归模型。

往往只能引入少量耦合项以避免模型过于复杂而无法求解.因此,神经网络比传统的多元回归预测方法有更好的拟合能力和准确度。神经网络的方法是比较适合对经济预测的,因为它只需要少量训练样本就可以确定网络的权值和阈值从而预测出宏观经济发展趋势,计算简单、快捷、可靠。总而言之,神经网络经济预测方法具有显著的优势,是比较适合经济预测的应用过程的。

二、神经网络经济预测方法应用的改进

由于商业、政府和工业所产生的预测间题,其复杂程度越来越高,以致于现有的预测系统难于解决,这就要求我们的预测系统能够处理复杂度增加的问题,进一步扩展传统神经网络预测方法的能力,使得神经网络系统理论的不断发展和完善、新的神经网络预测方法的不断产生,使得神经网络预测模型更加实用化、现代化,会给商贸和工农业生产带来巨大的经济效益。以下是本人对神经网络经济预测方法应用改进的建议:

首先,我们要改进神经网络经济预测的过程。确定预测的目的,制定预测的计划。经济预测首先要确定预测的目的,从决策和管理的需求出发,紧密联系实际需要与可能,确定预测要解决的问题。预测计划是根据预测目的而制定的预测方案,包括预测的内容、项目,预测所需要的资料,准备选用的预测方法,预测的进程和完成的时间以及预测的预算、组织实施等。只有目的明确、计划科学的预测,才可保证预测的顺利进行。

其次,建立新的神经网络经济预测模型。经过求增长率再进行归一化的处理,在给出的以往的数据的增长率范围内,网络就可能不再陷入训练“盲区”。.当采用了足够年限的已知数据并将其增长率归一化以后,“被预测年”数据的增长率可能不再会大于那些“已知年”数据的增长率.则外延问题可以得到基本解决。

最后,对神经网络经济预测结果进行检验,减小误差。经济预测是立足于过去及现在的已知推测未来的未知,而过去和现在终归不是未来,预测结果和未来实际值不可能绝对相符,存在的差异就是预测误差。为了使预测误差最小化,检验结果通过试探性的反复试验来确定,预测准确度应尽可能进行外推检验。

三、总结

神经网络经济预测的方法相对于其他的经济预测方法,具有独特的、显著的优势,我们可以利用好其优势,从而有助于我们更好的对经济发展进行预测分析,从而把握好经济发展动向,为经济决策提供依据。因此,我们应当根据社会发展需要,不断改进神经网络经济预测方法的应用,使其效能最优化,为我国经济发展助力。

参考文献:

[1]陈健,游玮,田金信.应用神经网络进行经济预测方法的改进[J].哈尔滨工业大学学报,2006(06)

篇8

【关键词】建筑经济管理;神经网络

中图分类号:TU198文献标识码: A

一、前言

建筑经济管理在我国是一个非常重要的行业,为社会的进步提供了夯实的基础,但是在神经网络的应用这方面还是存在一定的问题,所以,科学技术人员在这个方面还是很努力的研究,并且促使这个技术发展更为全面。

二、神经网络的特征及其信息处理特点

人工神经网络(Application of Neural Network,即:ANN)是一种对人脑中枢神经系统的生物神经结构进行的功能性抽象,在模式识别和分类领域显示了强大的能力,它们以“黑箱”模式工作,不需要先验模型,具有自适应能力,可以从数据中捕捉和学习规律,其计算能力在预测和评估、模式识别和优化等领域得到了广泛验证。神经网络尤其适合解决那些采用传统的数学方法和手段建模困难的复杂问题,并已被证明是解决复杂非线性问题的一种有效工具。

1、神经网络的基本特征

(1)内在并行性。神经网络是一个高度并行的非线性系统,其并行性不仅体现在结构上,它的处理运行过程也是并行的。神经网络从单个处理单元到整个系统,在理论和实践上都反映了并行性,计算是分布在多个处理单元上同时进行的。

(2)分布式存储。与传统计算机不同,神经网络中信息并非存储在一个特定的存储区域,而是分布存储在整个系统中。神经网络的每一个神经元都只是整体概念的一个部分,每一个单元都包含着对整体的贡献,而每一个单元都无法决定整体的状态。

(3)容错性。因为信息是分布存储在整个系统中,而不是驻留在某一个特定的存储区域内,因此,网络中部分神经元的误差不会在很大程度上影响改变整个系统的行为。

(4)学习与自适应性。神经网络的一个重要特点是具有很强的学习能力,它可以通过对数据的监督或非监督学习,实现任意复杂的函数关系,而且整个网络具有自适应性,即进行自我调节的能力。

2、神经网络的信息处理特点

神经网络的基本特征使其在信息处理上具有与传统信息处理技术不同的特点。

(1)数据驱动、“黑箱”建模方式。神经网络通过训练能够直接从数据中发现规则和特征,实现任意复杂的函数映射。这种学习能力使得神经网络分析和建模过程相当于一个“黑箱”,既无需模型结构设计和参数估计过程,而且在没有输入模式先验信息的情况下,通过数据驱动取得优良的结果。

(2)非编程、自适应的工作方式。神经网络的学习是便利而且可塑的,在网络整体结构不变的情况下,只需调整权值即可完成任意关系的学习,通过递进补充训练样本即可跟踪和适应外界环境的不断变化。因此,神经网络的工作方式可以是实时的和自适应的。

(3)信息处理与存储合二为一。神经网络在运行时信息处理与存储同时完成,信息的隐含特征和规则分布于神经元状态和权值之上,通常具有冗余性。这样,当不完全信息或含噪信号输入时,神经网络就可以根据这些分布记忆进行联想以恢复全部信息。同时,这种合二为一的方式从本质上消除了软件和算法的“瓶颈效应,”提供了实现高速信息处理的手段。

(4)实时信息处理。神经网络是一个大规模非线性动力学系统,具有高维、高密度的并行计算结构。大量神经元的微观活动构成了神经网络的整体宏观效应。这种集体运算能力使得神经网络可以完成高维数据的在线实时处理。

三、建筑经济管理研究面临的问题

1、对系统的非线性认识不足

(1)忽视了系统内各变量之间复杂的非线性关系,过分强调先验假设。建筑活动在理论和实践中有明显的非线性和复杂性。建筑经济管理问题的本质上是因为现实的复杂性导致的非线性。建筑活动随时代和环境的变迁表现出其非线性特征。一方面,建筑经济管理问题的线性假没体现了系统特殊性。但另一方面,系统建模时所使用的理论总是落后于现实,这是因为其相关理论发展的滞后性,而这又是由于其非线性和复杂性引起的。

(2)忽视数据本身效用,过分依赖理论指导。模型的函数形式很难仅仅通过理论考虑获得。在实践中选择理论框架既是十分重要又是十分困难的。

2、对系统变量自身特征的认识不足

(1)变量(数据)的高噪声。采集、编制建筑经济管理数据时会有很多误差,再加上诸多外在因素的冲击造成了波动强烈变形,所以数据是包含有许多“奇异点”而且是高噪声。

(2)变量的高度不确定性。目前经济学界对不确定性没有一个统一的定义,一般情况下有2种不确定性的定义。一种定义是变量的不确定性通过随机变量的方差来定义,通常称为概率型不确定性,也可称为“风险”。另一种定义是一种没有稳定概率的随机事件,称为非概率型不确定性。

(3)变量不同程度的模糊性。一定的模糊性是大多数建筑管理问题变量的特点。现实中的不分明现象就是模糊性。而从一种状态过度到另一种有差异的状态的过程中,中间发生了量变到质变的连续过程。总之,常常需要解决建筑管理中的决策、优化等非线性问题,由于它们的一次性、高度动态性和复杂性的特点,建筑管理的信息是随机的,具有非线性和时变性,相应的变量也有不确定性、高噪声和模糊性的特点,因此搜集数据、分析因素等方面有相当大的难度。

四、ANN在建筑工程项目管理中的应用研究

1、ANN在造价预测方面的应用

汪应洛,杨耀红(2004年)总结了ANN在费用估计方面的应用。采用BP网络,用40个公路工程样例训练网络,并用工程实例进行验证,发现效果比传统方法好。Tarek Hegazy(1998年)等用MS-Excel表格进行ANN模拟,并在输入层和隐含层加入了偏置神经元来促进网络学习。其缺点是由于网络学习时的训练样本数据中有噪声,会造成过度学习现象,运用规范化网络可以解决这个问题。周丽萍,胡振锋(2005年)在研究BP神经网络在建筑工程估价中的应用时指出,可以利用神经网络“特征提取器”的作用,从大量过去的工程资料中自动提取工程特征与预算资料的规律关系;由于神经网络具有高度的容错性,因而对于过去的工程资料中由于人为的或其他因素造成的偏差有自动纠偏功能;此外由于神经网络是并行处理数据的,因而其处理速度相当快,这点满足了快速估算要求,实践证明是有效的。

2、ANN在工程项目管理绩效评价中的应用

闫文周(2005年)等运用ANN中的BP网络对工程项目管理绩效评价问题进行研究,建立了一个综合考虑项目工期、质量、费用、安全四大控制指标的工程项目管理绩效评价模型。实例分析表明,其评价结果更加全面、更加符合实际情况,从而有助于促进工程项目管理水平的提高。基于BP神经网络的工程项目管理绩效评估模型,将影响工程项目管理绩效的主要因素进行整合,通过神经网络反映了工程项目工期、质量、成本、安全与项目绩效之间复杂的非线性关系,从而使项目管理绩效的评价更客观。

3、Hop field网络模型在建设工程评标中的应用

建设工程评标是一个多目标决策过程,评标过程中存在着大量的定性和模糊的因素,评标人很难快速做出准确客观的评判。朱玉涛(2006年)等用ANN作为新型信息处理工具,在建设工程评标中可应用于优选中标企业。介绍了Hop field网络模型构造及算法设计,包括进行方案优劣排序、换位矩阵以及能量函数构造、神经元之间连接和输出,并用实例说明了该方法的优越性和实用性。应用Hop field网络对非定量因素进行科学的分析,可以消除一些人为因素的影响,使评选结果更加合理。

4、BP网络模型在建设工程招投标管理中的应用

BP网络以其自学习、自联想功能的优点在建设工程招投标中得到广泛应用。杨中宣(2006年)结合人工神经网络基本理论,介绍了它在工程招投标的招标价格、风险因素分析以及竞标单位资格审查等方面的应用,指出利用人工神经网络具有的高度并行处理和可完成复杂输入输出的非线性映射能力,不仅可以保证高的中标率,且可避免招标过程中不确定性因素的影响。

五、人工神经网络的发展趋势

人工神经网络在建筑管理中的应用与研究,解决了不少该领域中的难题,显现出广阔的应用前景。但是,神经网络作为新兴学科,在理论和实践中,还有很多不完善和不成熟的地方,又在一定程度上制约了它的实际应用。因此在利用人工神经网络解决问题时,需要选定合适的网络模型及网络算法,同时还要加深人工神经网络基础理论方面的研究。

六、结束语

总而言之,就建筑经济管理中神经网络的应用这方面而言,这项技术的发展不仅使建筑经济管理体系更加的完善,更加使人们的生活带来了许多的便利条件,通过科学技术人员的不断努力,会使为社会发展做出巨大的贡献。

参考文献

[1]王其文,刘广灵.人工神经网络与线性回归的比较 决策与决策支持系统,2008(4):22-26.

篇9

关键词:概率神经网络;沉积微相;地震相;判别模式;月桂峰组;丽水—椒江凹陷;东海陆架盆地

中图分类号:P628+.1;TE121.3 文献标志码:A

0引言

沉积相分析是研究沉积环境、寻找隐蔽油藏及油气评价中十分重要的问题。长期以来,沉积环境及沉积相研究主要是通过对钻井取芯、岩屑录井资料的分析来实现的,这不仅成本高、时效低,而且由于海上取芯难度大,取芯井很少,岩屑录井又不准,因而很难做到对油田各井剖面地层沉积相的精确划分和描述。利用地震相研究成果和测井曲线参数,通过神经网络进行沉积微相识别能解决这一问题。

神经网络是一种应用类似于大脑神经突触连接结构,进行分布式并行信息处理的算法数学模型,具有非线性、非局限性、非常定性、非凸性4个基本特征,其依靠改变内部结构来对输入和输出间复杂的关系进行建模。神经网络的结构是由大量神经元(又称节点或单元)之间相互连接构成的。每个神经元代表一种特定的输出函数,称为激励函数。每2个神经元间的连接都代表一个通过该连接信号的加权值,称之为权重,这相当于神经网络的记忆。神经网络的输出则因网络的连接方式、权重值和激励函数的不同而不同。因而,神经网络提供了一种取代传统统计判别方法的途径[17]。

各种神经网络在神经元内执行的计算以及训练算法上存在差异。在沉积微相识别中,相对于常用的BP神经网络[813],概率神经网络训练速度快,容错性强,不需要指定拓扑结构(隐含层和隐含节点的数目),而且概率神经网络不仅可以用于分类,还可以返回样本落在其他因变量范畴的概率[14]。基于此,笔者利用概率神经网络对东海陆架盆地丽水—椒江凹陷古新统月桂峰组进行沉积微相识别,以期对该区下一步油气勘探部署、提交油气后备储量以及合理开发油气田提供借鉴。

1区域地质特征

东海陆架盆地是位于欧亚板块中国东部大陆架东缘的中新生代裂谷型复合盆地,是中国海域最大的含油气盆地之一[15]。丽水—椒江凹陷位于盆地的西南部,东部与雁荡凸起、福州凹陷、闽江凹陷相邻,西部和南部与闽江隆起区相隔,北部与钱塘凹陷相接,面积约23×104 km2(图1)。自中生代以来,该凹陷以聚敛型板块构造为特征,由一系列北东—南西向延伸、平行排列、形成时间向东逐渐变新的构造单元组成,主要包括丽东凹陷、丽南凹陷、丽西凹陷、椒江凹陷以及丽南凸起、灵峰凸起[1618]。古近纪时期,研究区接受巨厚的盖层沉积,自下而上发育古新统月桂峰组、灵峰组、明月峰组以及始新统瓯江组、温州组地层。

2沉积体系和沉积微相类型厘定

沉积体系指在某一段时间地层单元内,根据物源性质、搬运过程、沉积作用和发育演变,把有内在联系的各沉积相组成起来的一个连续体系,它能与相邻的体系区分开。沉积体系类型及其空间分布规律的研究,对于进行各种尺度的储层预测具有重要意义。沉积体系的空间分布特征主要取决于沉积动力学、气候和物源特征以及构造破坏活动及控制作用等[19]。丽水—椒江凹陷古新统月桂峰组主体为湖相沉积环境,西侧缓坡形成多个三角洲浅湖深湖沉积体系;东侧陡坡由雁荡凸起向西形成扇三角洲浅湖沉积体系(图2)。

在参照研究区沉积体系研究结果的基础上,根据有限的钻井取芯资料,依据岩性、沉积构造、生物化石、岩相类型及组合规律详细刻画了岩芯与沉积微相之间的关系和面貌;结合地震相,划分出东海陆架盆地丽水—椒江凹陷月桂峰组典型的沉积微相类型(表1)。

3概率神经网络原理

3.3训练算法

训练神经网络的目的是为了能用一组输入矢量通过预先确定的算法调整网络权值来产生一组所希望的输出矢量。在训练过程中,网络权值是慢慢变更的。训练概率神经网络就是优化平滑因子,以尽量降低训练集的误差,并使用多层感知器优化。训练时用来评估不同组平滑因子的误差标准是根据累加层神经元返回的所有训练样本的所有值计算出来的。这种标准不仅考虑了正确范畴的概率分布,还考虑了不正确范畴的概率分布。而且,在计算一个训练样本的误差时,会将该样本从模式层暂时排除。这是因为在计算时被排除的神经元会算作一个零距离,降低其他神经元在计算中的重要程度。

3.4分类过程

累加层神经元的输出值可视为每个类的概率密度函数预测。输出神经元选择概率密度函数值最高的范畴作为预测的范畴。

4沉积微相单元的分层

单井上沉积微相单元的划分方法主要有利用测井曲线自动分层和人工分层2种。利用测井曲线自动分层的方法有多种:层内差异法、拐点法、活度法、组合分层法等。这些方法使测井曲线分层实现了自动化,提高了效率,但在解决分层问题时,都存在一定的缺陷[22]。因此,在利用层内差异法进行自动分层的基础上,笔者进行适当的人工调整,提高了分层效率和分层精度,有效减小了概率神经网络训练样本和输入项的误差。

5输入层参数的选择

5.1沉积相与地震相的关系

地震相是沉积体在地震反射剖面上各种特征的综合反映。根据这些特征的不同,可以在剖面和平面上划分出性质各异的地震相区。地震相在剖面上的分布特征间接反映了地震层序所对应沉积时期内沉积环境的剖面变化。按Brown等的概念[23],地震相是指有一定分布面积的三维地震反射单元,其地震参数(如反射结构、振幅、连续性、

频率和层速度)与相邻单元不同,它代表了产生其反射的沉积物的一定岩性组合、层理和沉积特征。因此,地震相是地下地质体的一个综合反映,是沉积相在地震剖面上表现的总和[2425]。研究区地震相和沉积相之间存在耦合对应关系(表2)。因此,在利用概率神经网络预测沉积相时,选择地震相作为概率神经网络输入项中的范畴自变量参数。

5.2测井曲线的选择

为了有效划分地层沉积相与鉴别地层的岩性,应尽可能多地采用各种测井参数;但各测井参数之间往往具有相关性,所反映的沉积微相信息往往有一定的重复,给随后的神经网络判别分析带来很大困难[26]。因此,先采用主成分分析法,从a个样本层具有复杂相关关系的b个测井参数中,提取最能反映沉积微相特征的少数几个(p个)非相关的主成分(p

6模型的建立及沉积微相识别

利用MATLAB软件工具箱建立概率神经网络模型,包括输入层、模式层、累加层和输出层。输入层参数为每个层段的地震相类型和测井参数平均值,包括1个范畴自变量和6个数值自变量。

通过东海陆架盆地丽水—椒江凹陷内数口井的详细研究以及地质解释资料,选取月桂峰组若干沉积微相层段作为概率神经网络的学习样本(在训练概率神经网络时,为了增大训练样本,提高神经网络的识别精度和稳定性,可将每个测井深度点的每组数据作为一个学习样本输入进行训练)。部分学习样本参数见表3。

总共选用2 199个学习样本对神经网络进行训练,经过65次试验,搜索出变量的最佳平滑因子,建立研究区20种沉积微相类型的判别模式。最终,训练误差预测百分率、平均不正确概率和不正确概率标准差分别为0227 4%、1099 4%、5667 4%。测试参数的概率神经网络训练误差见图5。原始数据的回判检验效果也较好,测试参数的概率神经网络检验误差见图6。

7结语

(1)在钻井取芯较少的海上油气资源勘探开发中,使用概率神经网络对沉积微相进行预测,不仅能解决未取芯井沉积微相的识别划分问题,而且识别速度快、稳定性高。

(2)研究区地震相和沉积相之间存在较好的耦合对应关系,且不同沉积微相具有不同的测井响应。沉积微相间的这些差异是利用概率神经网络判别沉积微相的基础。

(3)研究区最适合进行沉积微相分析的范畴自变量是地震相,最适合的测井数据是自然伽马、自然电位、声波时差、密度测井、补偿中子、井径测井曲线。

(4)将利用概率神经网络识别后的结果与岩芯微相划分结果相对比,发现前者的准确率达到90%以上。因此,该方法对沉积相研究具有很好的应用价值。但对于地震响应和测井响应相似的沉积微相的神经网络判别方法还有待进一步探索。

参考文献:

[1]李双成,郑度.人工神经网络模型在地学研究中的应用进展[J].地球科学进展,2003,18(1):6876.

[2]周金应,桂碧雯,李茂,等.基于岩控的人工神经网络在渗透率预测中的应用[J].石油学报,2010,31(6):985988.

[3]李道伦,卢德唐,孔祥言,等.BP神经网络隐式法在测井数据处理中的应用[J].石油学报,2007,28(3):105108.

[4]潘文超.以广义回归神经网络预测共同基金报酬[J].长安大学学报:社会科学版,2007,9(4):5558.

[5]胡世鹏,吴小林,马利敏,等.基于BP神经网络和遗传算法的天然气脱水装置能耗优化[J].天然气工业,2012,32(11):8994.

[6]刘文超,卢祥国,刘进祥,等.一种基于BP神经网络的调驱增油预测方法[J].西安石油大学学报:自然科学版,2012,27(1):4752.

[7]唐胜利,唐皓,郭辉.基于BP神经网络的空洞型采空区稳定性评价研究[J].西安科技大学学报,2012,32(2):234238.

[8]吴灿灿,李壮福.基于BP神经网络的测井相分析及沉积相识别[J].煤田地质与勘探,2012,40(1):6871.

[9]吴永良,田景春,朱迎堂.神经网络判识沉积微相的应用——以桩241块为例[J].地质找矿论丛,2009,24(4):317321.

[10]郭曦榕,黄地龙.一种基于神经网络的沉积相识别方法[J].计算机应用与软件,2007,24(3):132134.

[11]许少华,陈可为,梁久祯,等.基于遗传BP神经网络的沉积微相自动识别[J].大庆石油学院学报,2001,25(1):5154.

[12]秦亚玲,计平,郑宇霞,等.神经网络自动识别沉积微相在胡状集油田的应用[J].断块油气田,2001,8(1):1012.

[13]杨莉娜,杨斌,鲁洪江,等.五百梯气田长兴组储层裂缝发育程度的常规测井神经网络预测[J].中国石油勘探,2011,16(1):6369.

[14]庞国印,唐俊,王琪,等.利用概率神经网络预测成岩相[J].特种油气藏,2013,20(2):4347.

[15]黄正吉.中国近海优质烃源岩的发育特征及古生态标志[J].中国石油勘探,2012,17(5):1016.

[16]张胜利,夏斌.丽水—椒江凹陷构造演化特征与油气聚集[J].天然气地球科学,2005,16(3):324328.

[17],姜亮,杨伟利.丽水—椒江凹陷断裂构造运动学[J].地质科学,2000,35(4):441448.

[18]仝志刚,赵志刚,杨树春,等.低勘探程度盆地烃源岩热演化及排烃史研究——以东海椒江凹陷为例[J].石油实验地质,2012,34(3):319324.

[19]纪友亮,李清山,王勇,等.高邮凹陷古近系戴南组扇三角洲沉积体系及其沉积相模式[J].地球科学与环境学报,2012,34(1):919.

[20]张绍红.概率神经网络技术在非均质地层岩性反演中的应用[J].石油学报,2008,29(4):549552.

[21]李曙光,徐天吉,唐建明,等.概率神经网络储层流体密度反演及应用[J].地质科技情报,2011,30(1):7679.

[22]肖波,韩学辉,周开金,等.测井曲线自动分层方法回顾与展望[J].地球物理学进展,2010,25(5):18021810.

[23]BROWN L F,FISHER J W L. Seismic Stratigraphic Interpretation and Petroleum Exploration[M].Boulder:AAPG,1980.

[24]黄锋,李志荣,廖玲,等.利用地震资料进行沉积相分析[J].物探化探计算技术,2003,25(3):197200.

[25]陈恭洋,陈玲,朱洁琼,等.地震属性分析在河流相储层预测中的应用[J].西南石油大学学报:自然科学版,2012,34(3):18.

篇10

>> 基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法 基于粒子群算法和神经网络的人脸识别分类器研究 基于卷积神经网络的人脸识别研究 基于BP神经网络的人脸识别研究 基于PCA算法的人脸识别技术研究 基于改进PCA算法的人脸识别研究 基于MB_LBP和PCA算法的人脸识别研究 基于BP神经网络的人脸识别算法的实现 基于模糊混沌神经网络的人脸识别算法 基于卷积神经网络的人脸识别 基于子图分割和BP神经网络的人脸识别方法 基于EMPCA和RBF神经网络的人脸识别 基于改进PCA与FLD算法的人脸识别 基于模糊人工神经网络的人脸识别研究 基于改进的LBP和PCA算法的人脸识别 基于并行PCA算法的人脸识别系统的研究 基于PCA和SVM的人脸识别 基于PCA和FLD的人脸识别方法 基于快速PCA―SVM的人脸识别研究 基于主分量分析的BP神经网络人脸图像识别算法 常见问题解答 当前所在位置:l.

[6]刘学胜.基于PCA和SVM算法的人脸识别[J].计算机与数字工程,2011(7).

[7]廖海滨,陈庆虎. 基于因子分析的实用人脸识别研究[J].电子与信息学报,2011(7).

[8]蔡晓曦,陈定方.特征脸及其改进方法在人脸识别中的比较研究[J].计算机与数字工程,2007(4).