人工神经网络概念及组成,人工神经网络基本概念

1、什么是BP神经网络？

BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下：
1、从训练集中取出某一样本，把信息输入网络中。
2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。
3、计算网络实际输出与期望输出的误差。
4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。
5、対训练集中每一个输入—输出样本对重复以上步骤，直到整个训练样本集的误差减小到符合要求为止。

谷歌人工智能写作项目：小发猫

2、BP人工神经网络方法

（一）方法原理

人工神经网络是由大量的类似人脑神经元的简单处理单元广泛地相互连接而成的复杂的网络系统人工神经网络概论。理论和实践表明，在信息处理方面，神经网络方法比传统模式识别方法更具有优势。人工神经元是神经网络的基本处理单元，其接收的信息为x1，x2，…，xn，而ωij表示第i个神经元到第j个神经元的连接强度或称权重。神经元的输入是接收信息X＝（x1，x2，…，xn）与权重W＝｛ωij｝的点积，将输入与设定的某一阈值作比较，再经过某种神经元激活函数f的作用，便得到该神经元的输出Oi。常见的激活函数为Sigmoid型。人工神经元的输入与输出的关系为

地球物理勘探概论

式中：xi为第i个输入元素，即n维输入矢量X的第i个分量；ωi为第i个输入与处理单元间的互联权重；θ为处理单元的内部阈值；y为处理单元的输出。

常用的人工神经网络是BP网络，它由输入层、隐含层和输出层三部分组成。BP算法是一种有监督的模式识别方法，包括学习和识别两部分，其中学习过程又可分为正向传播和反向传播两部分。正向传播开始时，对所有的连接权值置随机数作为初值，选取模式集的任一模式作为输入，转向隐含层处理，并在输出层得到该模式对应的输出值。每一层神经元状态只影响下一层神经元状态。此时，输出值一般与期望值存在较大的误差，需要通过误差反向传递过程，计算模式的各层神经元权值的变化量

。这个过程不断重复，直至完成对该模式集所有模式的计算，产生这一轮训练值的变化量Δωij。在修正网络中各种神经元的权值后，网络重新按照正向传播方式得到输出。实际输出值与期望值之间的误差可以导致新一轮的权值修正。正向传播与反向传播过程循环往复，直到网络收敛，得到网络收敛后的互联权值和阈值。

（二）BP神经网络计算步骤

（1）初始化连接权值和阈值为一小的随机值，即W（0）＝任意值，θ（0）＝任意值。

（2）输入一个样本X。

（3）正向传播，计算实际输出，即根据输入样本值、互联权值和阈值，计算样本的实际输出。其中输入层的输出等于输入样本值，隐含层和输出层的输入为

地球物理勘探概论

输出为

地球物理勘探概论

式中：f为阈值逻辑函数，一般取Sigmoid函数，即

地球物理勘探概论

式中：θj表示阈值或偏置；θ0的作用是调节Sigmoid函数的形状。较小的θ0将使Sigmoid函数逼近于阈值逻辑单元的特征，较大的θ0将导致Sigmoid函数变平缓，一般取θ0＝1。

（4）计算实际输出与理想输出的误差

地球物理勘探概论

式中：tpk为理想输出；Opk为实际输出；p为样本号；k为输出节点号。

（5）误差反向传播，修改权值

地球物理勘探概论

式中：

地球物理勘探概论

地球物理勘探概论

（6）判断收敛。若误差小于给定值，则结束，否则转向步骤（2）。

（三）塔北雅克拉地区BP神经网络预测实例

以塔北雅克拉地区S4井为已知样本，取氧化还原电位，放射性元素Rn、Th、Tc、U、K和地震反射

构造面等7个特征为识别的依据。

构造面反映了局部构造的起伏变化，其局部隆起部位应是油气运移和富集的有利部位，它可以作为判断含油气性的诸种因素之一。在该地区投入了高精度重磁、土壤微磁、频谱激电等多种方法，一些参数未入选为判别的特征参数，是因为某些参数是相关的。在使用神经网络方法判别之前，还采用K-L变换（Karhaem-Loeve）来分析和提取特征。

S4井位于测区西南部5线25点，是区内唯一已知井。该井在5390.6m的侏罗系地层获得40.6m厚的油气层，在5482m深的震旦系地层中获58m厚的油气层。取S4井周围9个点，即4～6线的23～25 点作为已知油气的训练样本；由于区内没有未见油的钻井，只好根据地质资料分析，选取14～16线的55～57点作为非油气的训练样本。BP网络学习迭代17174次，总误差为0.0001，学习效果相当满意。以学习后的网络进行识别，得出结果如图6-2-4所示。

图6-2-4 塔北雅克拉地区BP神经网络聚类结果

（据刘天佑等，1997）

由图6-2-4可见，由预测值大于0.9可得5个大封闭圈远景区，其中测区南部①号远景区对应着已知油井S4井；②、③号油气远景区位于地震勘探所查明的托库1、2号构造，该两个构造位于沙雅隆起的东段，其西段即为1984年钻遇高产油气流的Sch2井，应是含油气性好的远景区；④、⑤号远景区位于大涝坝构造，是yh油田的组成部分。

3、　方法概述

这里对找矿前景的遥感综合评价分两步进行，首先为全省范围的区域性评价，在此基础上对重点成矿区进行详细评价，具体工作流程见图10.14。

图10.14　找矿前景遥感评价工作流程

重点成矿区评价的遥感找矿信息较丰富，除线形体、环形体信息外，还有微地貌特征、岩石蚀变、植被异常及毒化信息等。不同地质环境、不同矿种、不同成因类型，其遥感找矿信息也不尽相同。在区域找矿遥感异常信息分析基础上，通过目视和机助解译，提取局部找矿遥感信息，综合地质、物探、化探信息和已知矿产分布情况，圈定有利找矿靶区，分析找矿有利部位。

10.4.1.1　SPV-ANN/GIS人工神经网络方法

地质运动的复杂性、致矿因素的多样性、信息（数据）搜集的不完善性、人们认识的局限性，是矿产预测评价工作的难点所在。传统的矿产预测方法以及与此相关的数据处理都必须解决数据分析和建模问题。另一方面，由于矿产地质信息的不完善性、不确定性和非结构化的特点，又难于建立它们的数学模型。所以到目前为止，几乎所有的矿产预测评价系统都是在特定条件下的结果，往往难以向其他地区推广应用（李长江等，1999）。

成矿信息内部及它们之间关系的处理，一直是地质学家所关心的问题之一。随着数字信息时代的到来，信息的提取、处理的方法已成为日益重要的问题。传统的方法虽然也能解决部分问题，但大多数是就事论事，难以真正从问题本身所具有的复杂性去认识，因而所获得的结论往往不具代表性。混沌理论的研究揭示事物具有复杂性的同时也具有简单的一面，是一个很具有说服力的表征之一。

成矿系统各信息之间的关系，用各种目前现有的传统（常规）的方法去处理，显然与自然界中事事物物都具有的普遍联系性的哲学理论不相宜。事物间本身具有内在的普遍联系，而这种普遍联系是否只是传统（简单）的线性或某（种）些函数关系，就值得我们深思。

人的大脑思维具有极其的复杂性，现代的电子计算机也无法完全模拟人的大脑工作状态，尤其是抽象思维能力，更是无力解决。大脑的思维具有联想、记忆能力。人工神经网络（Atificial Neural Network），即ANN正是基于人脑的工作原理、模