一种BP神经网络的改进算法及其应用

人工神经网络由大量的人工神经元互相连接而成,它抽象模仿了动物大脑的神经元网络结构,能够像人脑那样处置和储存信息。大量实践证明,这种信息处理系统同时具备非线性、非局限性,非常定性和非凸性的特征,能够高速寻找出一个复杂问题的优化解。人工神经网络在现代科学技术领域展现出了巨大的应用潜力。本文在介绍人工神经网络的发展历程、基本原理及常见应用的基础上,着重介绍了以误差反向传播法(BP算法)为学习算法的BP神经网络。这种人工神经网络具有良好的逼近性,能够以任意精度逼近任意的非线性函数,结构简单,性能优良,但存在运算速度慢,容易陷入局部极小值的问题。为了解决这个问题,本文尝试通过改变误差梯度方向及使用线性搜索来对BP算法进行改进。为了验证改进效果,使用河南油田某钻井的声波测井数据,对比了传统BP算法和改进后的算法在确定岩层孔隙度方面的效果。通过仿真试验发现,在对来自同一口钻井的数据进行运算时,传统BP算法需要进行488次迭代才能完成运算,改进后的算法只需要进行70次迭代即可完成运算,说明改进后的算法运算速度有了较明显的提升。同时利用改进后的算法得到的岩层孔隙度与钻井地质编录的结果更为接近,说明其运算精度也较高。