摘  要： 基于傳統(tǒng)對(duì)傳神經(jīng)元網(wǎng)絡(luò)在時(shí)域上推廣，構(gòu)造出對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)模型，并對(duì)對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)模型及其學(xué)習(xí)算法進(jìn)行研究。最后將對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)模型應(yīng)用到油層水淹識(shí)別實(shí)例上，模擬仿真結(jié)果表明了模型和算法的有效性。
關(guān)鍵詞： 過程神經(jīng)元；神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)

　過程神經(jīng)元網(wǎng)絡(luò)模型[1]的提出，為解決與過程有關(guān)的系統(tǒng)評(píng)價(jià)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(shí)空信息的動(dòng)態(tài)問題的分類和劃分提供了一種可探索的途徑。
對(duì)傳神經(jīng)元網(wǎng)絡(luò)是Robert Hecht-Nielson于1987年提出的一種三層機(jī)構(gòu)前向型神經(jīng)元網(wǎng)絡(luò)模型。與同構(gòu)網(wǎng)相比，對(duì)傳神經(jīng)元網(wǎng)絡(luò)的異構(gòu)性使它更接近生物腦神經(jīng)系統(tǒng)的信息處理機(jī)制，在模式識(shí)別、模式完善、信號(hào)加強(qiáng)等領(lǐng)域具有重要的應(yīng)用。將傳統(tǒng)對(duì)傳神經(jīng)元網(wǎng)絡(luò)向時(shí)域進(jìn)行推廣，可構(gòu)造出對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)模型。對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)對(duì)于時(shí)變信號(hào)模式分類、連接系統(tǒng)信號(hào)處理等實(shí)際問題具有較大的應(yīng)用價(jià)值。本文重點(diǎn)討論對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)模型及其學(xué)習(xí)算法，并用實(shí)例驗(yàn)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(quán)、聚合和激勵(lì)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(quán)值都可以是時(shí)變的。其聚合運(yùn)算既有對(duì)空間的多輸入聚合，也有對(duì)時(shí)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(shí)域上的擴(kuò)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(gè)過程神經(jīng)元的結(jié)構(gòu)如圖1所示。其輸入輸出關(guān)系見式（1）。

　這里，采用對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)進(jìn)行測(cè)井水淹層識(shí)別。在大量取心井水淹油層分析資料中，選取80個(gè)有代表性的水淹油層樣本組成訓(xùn)練集，40個(gè)油層樣本組成測(cè)試集。對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)確定為5-8-1型。將80個(gè)訓(xùn)練樣本代入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)精度取為0.05，最大學(xué)習(xí)次數(shù)為5 000。實(shí)驗(yàn)中網(wǎng)絡(luò)迭代1 319次后收斂。用訓(xùn)練好的網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行判別，其中有74個(gè)樣本判斷準(zhǔn)確，正確率為92.5%；對(duì)測(cè)試集40個(gè)樣本進(jìn)行判別，其中有31個(gè)樣本判斷正確，正確識(shí)別率為77.5%。這與目前水淹層自動(dòng)判別方法的正確率相比，是一個(gè)較好的結(jié)果。
　本文簡(jiǎn)要介紹了對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)模型及其學(xué)習(xí)算法，并以油層水淹識(shí)別仿真研究為例驗(yàn)證了其模型和學(xué)習(xí)算法的有效性。由仿真實(shí)例可以看出，對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)模型對(duì)于解決與連續(xù)時(shí)變過程相關(guān)的動(dòng)態(tài)模式識(shí)別具有較好的適應(yīng)性，并且為實(shí)現(xiàn)計(jì)算機(jī)水淹層自動(dòng)識(shí)別提供了一種有效途徑。
參考文獻(xiàn)
[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(luò)的若干理論問題[J].中國工程科學(xué)，2000，2（12）：40-44.
[3] 何新貴，許少華.過程神經(jīng)元網(wǎng)絡(luò)[M].北京：科學(xué)出版社，2007.
[4] HAGAN M T， DEMUTH H B， BEALE M H.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].戴葵，李伯民譯.北京：機(jī)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(luò)及其應(yīng)用研究[J].計(jì)算機(jī)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(luò)學(xué)習(xí)算法[J].大慶石油學(xué)院學(xué)報(bào)，2003，27（4）：58-61.