自组织特征映射网络的改进及在储层预测中的应用

自组织特征映射网络（SOM）虽然具有自组织、自学习和侧向联想能力，但在实际应用中仍存在一些缺陷。如网络在学习时收敛速度较慢，不同的初始条件和样本输入顺序对网络的学习过程和学习结果都很敏感，网络在无监督学习时不能充分利用可靠的先验知识。为此，本文对SOM算法进行了多项改进，主要有：①在网络初始化时将已知样本矢量作为典型样本，再对特定的输出节点的权向量进行初始化，然后对每次迭代后的网络进行非强制性的修正，从而提高了分类精度；②采用自适应方法调节学习速率，加快了网络的力J练速度；③给出判断迭代是否收敛的准则，提高了运算速度；④以输出层各书点权向量之间的欧氏距离为依据对每个输出节点的类别号进行重排，实现了对样本的有序分类。本文应用这种改进的SOM算法，对准噶尔盆地东部地区的一条穿越3口探井的地震剖面进行了储层预测，获得了良好的效果。