本文選題：群智能　切入點(diǎn)：粒子群優(yōu)化算法　出處：《東北石油大學(xué)》2017年碩士論文　論文類型：學(xué)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(luò)(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(jiǎn)單易于實(shí)現(xiàn),同時(shí)能夠處理一些傳統(tǒng)方法不能處理的問題,如不可導(dǎo)的節(jié)點(diǎn)傳遞函數(shù)或者梯度信息不存在之類的問題,廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練、函數(shù)優(yōu)化、模糊系統(tǒng)控制等諸多領(lǐng)域并取得了較好的效果。RBF神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò),可以很好地克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)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(yùn)算速度、較強(qiáng)的非線性映射能力和較好的預(yù)測(cè)效能,因而在儲(chǔ)層參數(shù)預(yù)測(cè)中具有廣闊的應(yīng)用前景。本文將PSO算法與RBF神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合,構(gòu)建一個(gè)結(jié)構(gòu)簡(jiǎn)單,穩(wěn)定性強(qiáng),魯棒性高的人工智能神經(jīng)網(wǎng)絡(luò),并結(jié)合實(shí)際地震資料,提取地震屬性,預(yù)測(cè)儲(chǔ)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(duì)問題進(jìn)行優(yōu)化,其優(yōu)勢(shì)在于簡(jiǎn)單容易實(shí)現(xiàn)并且沒有許多參數(shù)的調(diào)節(jié)。但是,標(biāo)準(zhǔn)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(duì)以上不足,從更新公式,優(yōu)化方式以及基于認(rèn)知多樣性變異三方面對(duì)算法進(jìn)行改進(jìn)。在更新公式中引用線性遞減的慣性權(quán)重系數(shù)以及柯西分布和高斯分布的隨機(jī)函數(shù);采用逆序協(xié)同優(yōu)化異步實(shí)現(xiàn)策略提高算法解決更高維度問題的能力;充分利用個(gè)體認(rèn)知多樣性,使個(gè)體最優(yōu)以一定概率發(fā)生變異,帶領(lǐng)群體逃離局部最優(yōu),收斂到全局。Benchmark function測(cè)試表明改進(jìn)的粒子群算法優(yōu)于其他優(yōu)化算法。模型數(shù)據(jù)和實(shí)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(shí)了該算法具有很強(qiáng)的全局搜索能力和抗噪能力。本文首先對(duì)輸入屬性樣本的預(yù)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(diǎn)數(shù)、基中心和方差等網(wǎng)絡(luò)參數(shù),最后利用改進(jìn)的粒子群算法優(yōu)化出網(wǎng)絡(luò)權(quán)值。標(biāo)準(zhǔn)測(cè)試集數(shù)據(jù)和砂體厚度預(yù)測(cè)的實(shí)際應(yīng)用證實(shí)了該網(wǎng)絡(luò)的可行性和實(shí)用價(jià)值,同時(shí)預(yù)測(cè)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(xué)位授予單位】：東北石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：P631.4;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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

2 劉彩紅;唐萬(wàn)梅;;基于組合神經(jīng)網(wǎng)絡(luò)的教師評(píng)價(jià)模型研究[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

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

4 莫恭佑;;神經(jīng)網(wǎng)絡(luò)及其在英國(guó)的應(yīng)用[J];國(guó)際科技交流;1992年03期

5 閔志;;神經(jīng)網(wǎng)絡(luò):使計(jì)算機(jī)具有快速學(xué)習(xí)功能[J];國(guó)際科技交流;1992年03期

6 馮建峰,錢敏平;神經(jīng)網(wǎng)絡(luò)中的退火——非時(shí)齊情形[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);1993年03期

7 唐功友;離散Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];青島海洋大學(xué)學(xué)報(bào);1994年S2期

8 靳蕃;;中國(guó)神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會(huì)在西南交通大學(xué)隆重召開[J];學(xué)術(shù)動(dòng)態(tài)報(bào)道;1996年04期

9 彭宏,張素;帶有時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];杭州大學(xué)學(xué)報(bào)(自然科學(xué)版);1997年04期

10 陳新,孫道恒,黃洪鐘;結(jié)構(gòu)分析有限元系統(tǒng)與神經(jīng)網(wǎng)絡(luò)[J];起重運(yùn)輸機(jī)械;1999年06期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)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(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)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(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

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

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國(guó)際先進(jìn)水平[N];中國(guó)電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國(guó)船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

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

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

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

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

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

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

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

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);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(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

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

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

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

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

，

本文編號(hào)：1617412