本文選題：群智能　切入點：粒子群優(yōu)化算法　出處：《東北石油大學》2017年碩士論文　論文類型：學位論文

【摘要】：本文主要研究了粒子群優(yōu)化算法(PSO)和徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF)兩方面內(nèi)容。作為群智能演化算法的一種,粒子群憑借其原理簡單易于實現(xiàn),同時能夠處理一些傳統(tǒng)方法不能處理的問題,如不可導的節(jié)點傳遞函數(shù)或者梯度信息不存在之類的問題,廣泛應用于神經(jīng)網(wǎng)絡訓練、函數(shù)優(yōu)化、模糊系統(tǒng)控制等諸多領域并取得了較好的效果。RBF神經(jīng)網(wǎng)絡是一種前饋神經(jīng)網(wǎng)絡,可以很好地克服傳統(tǒng)神經(jīng)網(wǎng)絡學習過程的收斂過分依賴于初值和可能出現(xiàn)局部收斂的缺陷,具有較快的運算速度、較強的非線性映射能力和較好的預測效能,因而在儲層參數(shù)預測中具有廣闊的應用前景。本文將PSO算法與RBF神經(jīng)網(wǎng)絡有機結合,構建一個結構簡單,穩(wěn)定性強,魯棒性高的人工智能神經(jīng)網(wǎng)絡,并結合實際地震資料,提取地震屬性,預測儲層參數(shù)。粒子群優(yōu)化算法通過各粒子之間相互協(xié)作并共享信息對問題進行優(yōu)化,其優(yōu)勢在于簡單容易實現(xiàn)并且沒有許多參數(shù)的調(diào)節(jié)。但是,標準的粒子群優(yōu)化算法也存在早熟收斂、局部尋優(yōu)能力較差等缺陷。針對以上不足,從更新公式,優(yōu)化方式以及基于認知多樣性變異三方面對算法進行改進。在更新公式中引用線性遞減的慣性權重系數(shù)以及柯西分布和高斯分布的隨機函數(shù);采用逆序協(xié)同優(yōu)化異步實現(xiàn)策略提高算法解決更高維度問題的能力;充分利用個體認知多樣性,使個體最優(yōu)以一定概率發(fā)生變異,帶領群體逃離局部最優(yōu),收斂到全局。Benchmark function測試表明改進的粒子群算法優(yōu)于其他優(yōu)化算法。模型數(shù)據(jù)和實際地震數(shù)據(jù)反演精度較高、反演剖面橫向連續(xù)性好、縱向分辨率較高、層間內(nèi)部沉積、斷層和分界面刻畫清晰,證實了該算法具有很強的全局搜索能力和抗噪能力。本文首先對輸入屬性樣本的預處理本文采用了起降維作用的k-l變換,然后模糊聚類分析提供隱層節(jié)點數(shù)、基中心和方差等網(wǎng)絡參數(shù),最后利用改進的粒子群算法優(yōu)化出網(wǎng)絡權值。標準測試集數(shù)據(jù)和砂體厚度預測的實際應用證實了該網(wǎng)絡的可行性和實用價值,同時預測精度較高。
[Abstract]:Two aspects of particle swarm optimization (PSO) and radial basis function neural network (RBF) are studied in this paper. As a kind of swarm intelligence evolution algorithm, particle swarm optimization is simple and easy to implement. At the same time, it can deal with some problems that can not be dealt with by traditional methods, such as the non-differentiable node transfer function or the non-existence of gradient information. It is widely used in neural network training, function optimization, and so on. The RBF neural network is a kind of feedforward neural network, which can overcome the defects that the convergence of the traditional neural network learning process depends on the initial value and may appear local convergence. Because of its fast operation speed, strong nonlinear mapping ability and better prediction efficiency, it has a broad application prospect in reservoir parameter prediction. This paper combines PSO algorithm with RBF neural network to construct a simple structure. Artificial intelligence neural network with strong stability and high robustness is used to extract seismic attributes and predict reservoir parameters in combination with actual seismic data. Particle swarm optimization algorithm optimizes the problem by cooperating with each other and sharing information. The advantage of PSO is that it is simple and easy to realize and has no adjustment of many parameters. However, the standard PSO algorithm also has some defects such as premature convergence and poor local optimization ability. In the updating formula, the inertial weight coefficient of linear decrement and the random function of Cauchy distribution and Gao Si distribution are used in the updating formula. The asynchronous implementation strategy of inverse sequence cooperative optimization is adopted to improve the ability of the algorithm to solve higher dimensional problems, to make full use of individual cognitive diversity, to make the individual optimal to mutate with a certain probability, and to lead the group to escape from the local optimum. Convergence to global. Benchmark function test shows that the improved particle swarm optimization algorithm is superior to other optimization algorithms. The inversion accuracy of the model data and the actual seismic data is higher, the inversion section has better horizontal continuity, the vertical resolution is higher, and the interlayer deposition is better. It is proved that the algorithm has strong global searching ability and anti-noise ability. Firstly, the k-l transformation of the effect of taking off and descending dimension is used to preprocess the input attribute samples. Then the fuzzy clustering analysis provides the network parameters such as the number of hidden layer nodes, the base center and the variance. Finally, the network weight is optimized by using the improved particle swarm optimization algorithm. The practical application of standard test set data and sand body thickness prediction proves the feasibility and practical value of the network, and the prediction accuracy is high.
【學位授予單位】：東北石油大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：P631.4;TP183

【相似文獻】

相關期刊論文 前10條

1 云中客;新的神經(jīng)網(wǎng)絡來自于仿生學[J];物理;2001年10期

2 劉彩紅;唐萬梅;;基于組合神經(jīng)網(wǎng)絡的教師評價模型研究[J];重慶師范大學學報(自然科學版);2008年04期

3 鐘義信;;神經(jīng)網(wǎng)絡:成就、問題與前景[J];科學;1992年02期

4 莫恭佑;;神經(jīng)網(wǎng)絡及其在英國的應用[J];國際科技交流;1992年03期

5 閔志;;神經(jīng)網(wǎng)絡:使計算機具有快速學習功能[J];國際科技交流;1992年03期

6 馮建峰,錢敏平;神經(jīng)網(wǎng)絡中的退火——非時齊情形[J];北京大學學報(自然科學版);1993年03期

7 唐功友;離散Hopfield神經(jīng)網(wǎng)絡的穩(wěn)定性[J];青島海洋大學學報;1994年S2期

8 靳蕃;;中國神經(jīng)網(wǎng)絡學術大會在西南交通大學隆重召開[J];學術動態(tài)報道;1996年04期

9 彭宏,張素;帶有時滯的神經(jīng)網(wǎng)絡的穩(wěn)定性[J];杭州大學學報(自然科學版);1997年04期

10 陳新,孫道恒,黃洪鐘;結構分析有限元系統(tǒng)與神經(jīng)網(wǎng)絡[J];起重運輸機械;1999年06期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經(jīng)網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：1617412