摘  要： 基于傳統(tǒng)對傳神經(jīng)元網(wǎng)絡在時域上推廣，構造出對傳過程神經(jīng)元網(wǎng)絡模型，并對對傳過程神經(jīng)元網(wǎng)絡模型及其學習算法進行研究。最后將對傳過程神經(jīng)元網(wǎng)絡模型應用到油層水淹識別實例上，模擬仿真結(jié)果表明了模型和算法的有效性。
關鍵詞： 過程神經(jīng)元；神經(jīng)網(wǎng)絡；學習算法；對傳過程神經(jīng)元網(wǎng)絡

　過程神經(jīng)元網(wǎng)絡模型[1]的提出，為解決與過程有關的系統(tǒng)評價問題提供了一種非傳統(tǒng)建模求解問題的方法，也為含有大量時空信息的動態(tài)問題的分類和劃分提供了一種可探索的途徑。
對傳神經(jīng)元網(wǎng)絡是Robert Hecht-Nielson于1987年提出的一種三層機構前向型神經(jīng)元網(wǎng)絡模型。與同構網(wǎng)相比，對傳神經(jīng)元網(wǎng)絡的異構性使它更接近生物腦神經(jīng)系統(tǒng)的信息處理機制，在模式識別、模式完善、信號加強等領域具有重要的應用。將傳統(tǒng)對傳神經(jīng)元網(wǎng)絡向時域進行推廣，可構造出對傳過程神經(jīng)元網(wǎng)絡模型。對傳過程神經(jīng)元網(wǎng)絡對于時變信號模式分類、連接系統(tǒng)信號處理等實際問題具有較大的應用價值。本文重點討論對傳過程神經(jīng)元網(wǎng)絡模型及其學習算法，并用實例驗證其模型和算法的有效性。
1 過程神經(jīng)元
　過程神經(jīng)元由加權、聚合和激勵三部分組成，與傳統(tǒng)神經(jīng)元不同之處在于過程神經(jīng)元的輸入和權值都可以是時變的。其聚合運算既有對空間的多輸入聚合，也有對時間過程的積累[2-3]。因此過程神經(jīng)元是傳統(tǒng)神經(jīng)元在時域上的擴展，傳統(tǒng)神經(jīng)元可以看成是過程神經(jīng)元的特例[4]。單個過程神經(jīng)元的結(jié)構如圖1所示。其輸入輸出關系見式（1）。

　這里，采用對傳過程神經(jīng)元網(wǎng)絡進行測井水淹層識別。在大量取心井水淹油層分析資料中，選取80個有代表性的水淹油層樣本組成訓練集，40個油層樣本組成測試集。對傳過程神經(jīng)元網(wǎng)絡的拓撲結(jié)構確定為5-8-1型。將80個訓練樣本代入網(wǎng)絡進行訓練，學習精度取為0.05，最大學習次數(shù)為5 000。實驗中網(wǎng)絡迭代1 319次后收斂。用訓練好的網(wǎng)絡對訓練樣本進行判別，其中有74個樣本判斷準確，正確率為92.5%；對測試集40個樣本進行判別，其中有31個樣本判斷正確，正確識別率為77.5%。這與目前水淹層自動判別方法的正確率相比，是一個較好的結(jié)果。
　本文簡要介紹了對傳過程神經(jīng)元網(wǎng)絡模型及其學習算法，并以油層水淹識別仿真研究為例驗證了其模型和學習算法的有效性。由仿真實例可以看出，對傳過程神經(jīng)元網(wǎng)絡模型對于解決與連續(xù)時變過程相關的動態(tài)模式識別具有較好的適應性，并且為實現(xiàn)計算機水淹層自動識別提供了一種有效途徑。
參考文獻
[1] HE X G， LIANG J Z. Procedure neural networks. Proc of the Conference on Intelligent Information[C]. Beijing， China： Electronic Industry Press， 2000.
[2] 何新貴，梁久禎.過程神經(jīng)元網(wǎng)絡的若干理論問題[J].中國工程科學，2000，2（12）：40-44.
[3] 何新貴，許少華.過程神經(jīng)元網(wǎng)絡[M].北京：科學出版社，2007.
[4] HAGAN M T， DEMUTH H B， BEALE M H.神經(jīng)網(wǎng)絡設計[M].戴葵，李伯民譯.北京：機械工業(yè)出版社，2002.
[5] 何新貴，許少華，李盼池.自組織過程神經(jīng)網(wǎng)絡及其應用研究[J].計算機研究與發(fā)展，2003，40（11）：1612-1615.
[6] 許少華，肖紅，廖太平.基于離散Walsh變換的過程神經(jīng)元網(wǎng)絡學習算法[J].大慶石油學院學報，2003，27（4）：58-61.