极限学习机在岩性识别中的应用.pdf

《极限学习机在岩性识别中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据20102010，31(9)计算机工程与设计ComputerEngineeringandDesign·人工智能·极限学习机在岩性识别中的应用蔡磊，程国建，潘华贤(西安石油大学计算机学院，陕西西安710065)摘要：基于传统支持向量机(sVM)训练速度慢、参数选择难等问题，提出了基于极限学习机(ELM)的岩性识别。该算法是一种新的单隐层前馈神经网络(sLFNs)学习算法，不但可以简化参数选择过程，而且可以提高网络的训练速度．在确定了最优参数的基础上，建立了ELM的岩性分类模型，并且将ELM的分类结果与SVM进行

2、对比。实验结果表明，ELM以较少的神经元个数获得与SVM相当的分类正确率，并且ELM参数选择比SVM简便，有效降低了训练速度，表明了ELM应用于岩性识别的可行性和算法的有效性．关键词：机器学习；极限学习机；前馈神经网络；岩性识别；支持向量机中图法分类号：TPl8文献标识码：A文章编号：1000．7024(2010)09．2010．03LithologicidentificationbasedonELMCAILei，CHENGGuo-jian，PANHua—xian(SchoolofComputerScience，Xi

3、’觚ShiyouUniversity,Xi’an710065，China)Abstract：Basedontheproblemthattrainingspeedisslowandparameterselectionisdifficultintraditionalsupportvectormachine(SVM)，amethodbasedonextremelearningmachine(ELM)forlithologyidentificationispresented．ELMisanewlearningalgorith

4、mofsingle-hiddenlayerfeedforwardneuralnetworks【SLFNs)．Itcannotonlysimplifytheparameterselectionprocess，butalsoimprovethetrainingspeedofthenetworks．Indeterminingtheoptimalparameters，thelithologyclassificationmodelisestablished,andtheclassificationresultofELMisco

5、mparedtotraditionalSVM．Theexperimentalresultsshowthat，ELMwithlessnumberofneuronshassimilarclassificationaccuracycomparedtoSVM．anditiseasiertoselecttheparameterswhichsignificantlyreducethetrainingspeed．ThefeasibilityofELMforlithologyidentificationandtheavailabil

6、ityofthealgorithmarevalidated．Keywords：machinelearning；extremelearningmachine；feed—forwardneuralnetwork；lithologyidentification；supportvectormachine0引言在测井研究当中，对单井岩性的准确判断是进行测井的关键，也是开展储存评价、储层预测、建立三维地质模型等一系列研究和工作的基础。因此，如何准确的识别各种岩性具有重要意义。现实中，由于取心资料有限，通常只能依靠常规的测井资料和

7、岩石结构的剖面研究来确定岩性，通过分析测并曲线和取心数据，依靠传统经验公式，建立岩性的数学模型，根据这些数学模型对岩性进行分类。但由于实际储层的非均质性，测井响应和实际油气储层之间的非线性关系，使得传统的统计学方法和经验公式很难表征储层的真实特性。近年来，国内外学者将多种计算智能方法应用于岩性的自动识别中，如BP神经网络“】、支持向量机(supportvectorma．chine，SVM)等㈨，取得了较好的效果。然而，BP网络在应用的过程当中，需要人为设置大量参数，因此，很难选定合适的参数并且容易使网络陷入局部最优。

8、而SVM在实际应用过程中，同样存在参数确定困难的缺点，且需要消耗大量时间来进行参数调整和训练。而极限学习机(extremelearningmachine，ELM)嗍在训练前只需要设置网络隐层节点个数，算法执行过程中不需要调整网络的输入权值以及隐层单元的偏置，并且产生唯一的最优解，参数选择容易、学习速度快且泛化性能好。通过对比实验，验证该方法用于