多目标基因算法用于脉冲中子测井数据处理，增强神经网络体的选择  

作　　者：万金彬 

机构地区：[1]中油测井有限公司技术中心

出　　处：《测井技术信息》2004年第5期33-41,共9页Well Logging Technology Information

摘　　要：由几个独立的神经网络组成的神经网络(NN)体在测井应用中已经表现出能够改进数据解释和预测。但是，由于一个神经网络体的常规选择包括用人工的方法确定网络体中神经网络的数目、各神经网络的结构以及各神经网络的权重系数，因此神经网络体的选择过程往往是一个繁重的逐步逼近的过程，对于没有经验的用户可能会出现一些问题。即使对于一些自动化的处理方法，在选择用目标函数确定最佳的神经网络体时，也还存在一个问题。按一般方法，确定神经网络体的目标函数，要求使用单一控制参数进行一些测试的数据，其有效误差和加权有效误差最小化。如果有效数据组由于可用性或分散性，并不很好地反映未知的新数据，或者如果仅使用一个控制参数不能提供一个以多重属性为基础的过程的有意义的量，问题就出现了。仅从一口井来选择有效数据，且希望用得到的神经网络体用不同井的数据进行预测时，情况往往如此。为了使神经网络体真正成为一个解决问题的可靠方法，需要借助其他的选择标准，与专门数据组的有效误差共同使用。本文介绍了一种使用多目标基因算法(MOGA)来选择神经网络体的新方法。通过该方法，可以用常规训练算法产生数个独立的神经网络，然后将MOGA算法在这些独立的神经网络中连续使用，使预先定义的多目标函数(MOF)最小化。多目标函数(MOF)是有效误差、神经网络体的复杂性和网络成员的负相关性之间折中后形成的一个公式。影响MOF加权系数的因素也在此进行讨论，以期对缺少经验的用户有所用。作为人工选择的一种替代方法，我们提供一种基因反演方法，用来确定MOF加权系数。本文描述的方法用一口裸眼井的三组合测井数据进行了测试，测试中借助了这口井的套管井脉冲中子测井数据。在此�

关 键 词：神经网络 数据 测试 最小化 算法 MOF 多目标函数 选择 用户 预测 

分 类 号：TE151[石油与天然气工程—油气勘探] TP183[自动化与计算机技术—控制理论与控制工程]