一种新型神经网络在地球物理测井中的应用

【作者】 岳文正； 陶果；

【机构】 石油大学；

【摘要】 <正> 神经网络广泛应用于模式识别、类型划分、函数逼近、模糊聚类、数据反演及信号分析等工作中。一般常规方法很难找出数据间的隐式关系,而神经网络在这种情况下却可以获得很好的效果。本文针对地学中的特点,提出了一种新型的网络——引力俘获神经网络,该方法可以很好地克服在多参数过程中由于单个参数突变引起的模式误判。并运用于地球物理测井参数综合判别储层流体类型。在模式识别和判别类型时,最常选用的是概率神经网络(PNN),应用PNN进行模式识别和类型判别时,首先都要计算距离。最常用的是欧氏距离,而欧氏距离对于单维突变有比较敏感的响应,但对于多维测量数据来说,考虑到其数量级有很大的差别,导致各参数对总距离的贡献不均匀,数量级大的参数的变化对总距离的影响要大于数量级小的参数,数量级大的参数的变化有可能淹没小数量级参数的变化,为了突出小数量级参数变化的影响,定义新的距离计算公式如下,称其为多维折中距离:更多还原