[發明專利]基于條件隨機場和BP神經網絡的孔隙度預測方法

有效

• 申請號: 201810993007.6
• 申請日: 2018-08-29
• 公開（公告）號: CN109165737B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 王峣鈞;何鑫;胡光岷
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.基于條件隨機場和BP神經網絡的孔隙度預測方法，其特征在于，包括以下步驟：

S1、構建BP神經網絡，BP神經網絡由輸入層、一個或多個隱藏層和輸出層組成，每個層由多個神經元組成，隱藏層和輸出層上的神經元的輸出由以下公式決定：

f_j(Net_j)＝f_j(k_js_j+θ_j) (1)

其中f_j為神經元j的激勵函數，設激勵函數為：

其中θ_j為神經元的閾值，s_j為神經元j的輸入，k_j為神經元鏈接的權重；

給出標簽數據集為：

非標簽數據集為：

其中為輸入變量，代表輸入的聲波阻抗值，表示D維實數域；為輸出變量，代表孔隙度的值，表示實數域，m表示非標簽點的數量，n表示標簽點的數量；

隱藏層數分兩個相，對輸入聲波阻抗數據使用K-means的聚類結果，把標簽數據分為兩個集合：

S₁∪S₂＝S；

把兩個標簽數據集合通過網絡訓練得到兩個不同的BP神經網絡模型model₁和model₂；

S2、利用條件隨機場模型，結合神經網絡對標簽數據的擬合殘差，在置信度回歸算法中對隱藏層的相循環性修正；具體實現方法為：

條件隨機場概率模型公式如下：

表示的概率值，表示條件隨機場特征函數映射，表示υ和的內積，表示隱藏層點i的狀態值，表示整數域；

對模型參數引入高斯先驗信息相當于對模型加入L2正則化項，模型參數的先驗信息為：

其中為正則化常數，并且：

為規范化因子函數，擁有先驗信息和條件概率，把條件隨機場函數變為求解最大后驗概率:

上式等價于：

上式中存在兩個隱藏變量：模型參數變量υ和隱藏層變量第一個參數υ利用基于梯度求解，第二個參數利用多圈置信度傳播法求解；

在求解參數前，給出條件隨機場特征函數映射Ψ(·)，定義無向圖G＝(V,E)，二值0-1邊E，頂點V，每一個定點表示一個樣本，隱藏層的狀態空間為聯合特征函數映射為：

模型參數變量υ估計：采用擬牛頓法在條件隨機場模型中對參數進行估計，為了實現梯度下降，需要對目標L_CRF進行計算，還需對公式(8)中的參數υ求梯度，求導得到：

其中E[·]為期望，式(8)包含規范化因子函數梯度(10)式包含期望用pseudolikelihood算法對式(10)進行逼近計算，得到模型參數變量υ；

條件隨機場隱藏層變量估計：

使用多圈置信度回歸算法，在條件隨機場模型中更新隱藏層元素π_i，通過迭代把信息傳遞給當前點的鄰居節點，迭代的信息為從點i傳到點p的信息量M_ip(s)，此信息傳遞過程中信息量被證明是單調下：

其中λ為歸一化常數，N(i)代表點i周圍的鄰居節點，其中

ζ_ip(s,t)＝υ_st

其中model_l為在l相中訓練出的BP神經網絡模型，l＝1,2；

信息量傳遞穩定之后，每個節點的最大邊緣概率密度μ_i(t)，由下式計算：

最后用每個點的最大邊緣概率密度預測每個隱藏層的狀態；

最后將隱藏層的預測結果作為相的預測結果，不同相中不同神經網絡的預測結果作為孔隙度的預測結果。