基于神经网络的两种岩性识别方法的研究

利用测井资料进行岩性识别,对于储层评价具有重要意义。采用概率神经网络（PNN）和自组织特征映射神经网络（SOM）的模式识别方法,分别建立测井岩性识别模型,并利用该模型对样本进行预测。仿真结果表明,该模型用于岩性识别具有预测精度高,易收敛和自动聚类等特点,对于岩性类别的划分是准确和可靠的,为相关领域的研究提供了新的方法。     

基于神经网络的两种岩性识别方法的研究

利用测井资料实现岩性识别对于储层评价具有重要意义,采用概率神经网络（PNN）和自组织特征映射神经网络（SOM）的模式识别方法,分别建立测井岩性识别模型,并利用该模型对样本进行预测。仿真结果表明,建立的模型用于岩性识别具有预测精度高、易收敛和自动聚类等特点,对于岩性类别的划分是准确和可靠的,为相关领域的研究提供了新方法。     

样条过程神经元网络在测井岩性识别中的应用研究

测井岩性识别是油气勘探中十分重要的基础工作,可为测井解释选择正确解释方法和解释参数提供依据.本文利用过程神经元网络建立了复杂的非线性岩性辨识模型;同时,为了提高对实际问题求解的适应性和算法执行效率,开发了一种基于样条函数拟合的过程神经元网络学习算法.最后,结合海拉尔盆地贝16区块的实际测井资料进行岩性识别.实验结果表明,基于样条过程神经元网络的岩性辨识方法避免了采用传统BP神经网络预先建立复杂的数学或物理模型来提取小层测井曲线形态模式特征的过程,有效改善了网络的运算速度和对实际数据的抗扰性,具有较好的稳定性和泛化能力.     

基于深度卷积自编码器的岩性分类与识别

在地质勘探与地震信号处理中,岩性分类是一个最基本的问题。然而,由于实际的岩性分类涉及到各种复杂的因素与环节,使得传统的统计和机器学习方法难于得到满意的分类准确率,无法在实际应用中进行有效的岩性识别。为了有效地解决这一问题,本文依据测井曲线数据提出了一种基于深度卷积自编码器的神经网络模型及其相应的参数学习算法,来实现有效的岩性分类与识别,并采用游程平滑算法对分类结果中孤立点进行剔除,进一步改善岩性分类的效果。实验结果表明,即使在少量的测井曲线标注样本条件下,本文所提出的深度学习模型也能够显著地提高了岩性分类的准确率,能够达到实际应用的要求。     

一种基于自组织竞争网络的车辆识别方法

为了对车辆目标进行识别,采用了一种基于自组织竞争网络的方法。该算法提取16个离散余弦变换描述子,6个独立的不变矩和3个区域描述子等25个平移、旋转、尺度放缩等变换下都不变的目标形状特征,把这些混合特征输入到设计的自组织竞争网络进行学习、聚类和分类,获得的分类精度高达96.15%,从而得出用自组织竞争网络进行混合特征识别,性能稳定,较单一特征提取识别精度更高。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法.根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识.文中分析了算法的信息处理机制,给出了具体的实现步骤....     

基于卷积神经网络的调制识别新方法

针对通信信号调制方式识别问题,提出了一种基于卷积神经网络的通信信号调制方式识别新方法,利用深度卷积网络实现了通信信号特征的自学习,避免了传统算法中特征提取与选择问题,并设计了基于自学习特征的分类器,实现了通信信号调制方式的识别。仿真结果表明,利用卷积神经网络实现通信信号调制方式的识别是可行、有效的。     

神经网络语音识别的研究及进展

论述了在语音识别中听觉神经网络模型，ＢＰ网络，时延神经网络，自组织影射，学习矢量量化和神经预测网络的优缺点及神经网络语音识别的发展动态。     

一种优化的卷积神经网络深度学习算法

为了提高卷积神经网络的识别精度,提出网络权值优化操作。构建SOM网络对样本进行预学习,从而自组织地挖掘样本的本质分布,并且计算网络的学习精度,将最优学习结果的神经元用于初始化卷积神经网络;而后对卷积神经网络总体权值进行迭代,记录最佳模型作为识别网络,实验结果表明优化后的卷积神经网络识别精度得到了提高。     

基于稳健深层网络的雷达高分辨距离像目标特征提取算法

特征提取是雷达高分辨距离像(HRRP)目标识别的核心技术。传统的特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,该文利用多层非线性网络实现特征学习,构建了基于深层网络的雷达HRRP目标识别框架。利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,提出了堆栈联合稳健自编码器。该网络由一系列联合稳健自编码器堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。