APP下载

基于主成分分析和学习矢量化的神经网络岩性识别方法

2015-05-09胡红曾恒英梁海波罗静王剑波

测井技术 2015年5期
关键词:模型

胡红, 曾恒英, 梁海波, 罗静, 王剑波

(1.西南石油大学地球科学与技术学院, 四川 成都 610500; 2.西南石油大学机电工程学院, 四川 成都 610500)

0 引 言

自Samuel J Rogers等[1-14]详细阐述神经网络在岩性识别中的应用以来,采用基本BP算法及其一些改进算法训练BP网络均取得良好效果。但基本BP算法存在局限性,比如容易陷入局部极小值点,网络学习和记忆不稳定等[15]。

测井资料中与岩性密切相关的测井曲线有多条,输入维数过高必定会引起网络结构复杂化,增加运行时间,降低网络整体性能。针对上述情况,提出了一种基于主成分分析(Principal Component Analysis,PCA)和学习矢量量化(Learning Vector Quantization,LVQ)的神经网络的岩性识别方法。PCA是由Hotelling[16]提出的一种对信息进行处理、压缩、提取的有效方法。LVQ神经网络是一种训练竞争层的前向有监督的网络类型,具有网络结构简单,分类稳定可靠,容错性好等特点。该方法用PCA对测井数据进行降维,然后利用LVQ神经网络进行岩性识别分类。

1 理论原理

1.1 主成分分析

主成分分析(PCA)是一种基于变量协方差矩阵,能很好地处理高维数据的多元统计分析方法。通过投影,将高维数据以尽可能少的信息损失映射到低维空间,达到简化数据结构的目的。即用较少的指标代替和综合反映原来较多的信息,这些综合后的指标就是原来多指标的主要成分[17]。

对某一对象进行评价时,设其原始数据集中样本数为n,输入变量维数为p,则输入样本阵Xi=(xi1,xi2,…,xip)T。主成分的求解过程实质是求解转换矩阵U的过程。主成分的求解分为4个步骤[17-19]。……

登录APP查看全文

猜你喜欢

模型
一半模型
一种去中心化的域名服务本地化模型
适用于BDS-3 PPP的随机模型
函数模型及应用
p150Glued在帕金森病模型中的表达及分布
函数模型及应用
重尾非线性自回归模型自加权M-估计的渐近分布
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
一个相似模型的应用