动态概率神经网络及油气概率分布预测

传统概率神经网络(PNN)采用了前向径向基函数神经网络的局部化的、高斯型作用函数,虽然具有较好的分类能力,但也存在以下局限性:①如果学习样本增多,模式层的神经元个数也增多,导致运算矩阵的增大而使之几乎丧失处理大数据量实际资料的能力;②模式层到求和层的权值固定为常数,必然要求学习集合中各类样本的数量相等,从而会影响其接受实际数据的能力。为此文中引入了动态概率神经网络(DPNN),它与传统PNN在结构上的区别在于:①模式层到求和层不以等权连接,权值由学习样本集的概率分布所确定;②学习样本集中各类样本的数量(各类在模式层的神经元个数)可以不相等。文中还介绍了DPNN算法。理论数据测试充分展示了DPNN结构具有动态调整、学习收敛快速、分类识别能力强大等特点。通过选取G油田实际资料的22种属性作为网络的输入向量,用DPNN进行分类识别得到了含油气概率分布图,可为预测有利油气圈闭及油水分布规律提供依据。