神经网络预测参数有哪些,神经网络预测参数包括

遗传神经网络储层参数预测

。

4.4.1网络的识别过程由于地震勘探中广泛采用三维地震、高分辨率勘探等新技术，资料处理中也引入了多种新的处理方法，使得综合提取多种地震信息成为可能，使用这些信息进行储层横向预测的可靠性也有了很大提高。

利用地震信息解决岩性或储层横向预测问题，是现阶段比较热门的课题，已经取得了一些进展，但还没有一种适用于各种地质情况的标准方法。本文使用的遗传神经网络识别方法也是一种尝试。

利用多种地震信息，应用遗传神经网络方法进行储层横向预测的流程如图4-6所示。

网络识别所需要的裂缝、溶蚀孔洞、产能等参数的模式，以及模式井和预测井的模式级别等参数，参见第三章的3.3至3.4节中的相关内容。

特征提取中的参数包括统计特征、自相关特征及非线性特征等三大类19个过程提取参数。图4-6神经网络储层预测流程图4.4.2识别预测结果网络预测的过程就是对所有已知和未知样本进行不断拟合的过程。

预测结果见图4-7至图4-9。网络的训练就是要通过对大量样本的有监督学习，使连接网络节点的权值更趋合理，其标志是相对误差的收敛。

溶蚀孔洞网络训练次数达到6000次以上，产能预测网络训练次数达到8000次以上，裂缝训练网络需达到15000次。

所有网络的训练结果，均达到了0.05的规定相对误差限，可以用来进行储层参数和产能预测。用训练好的网络对原始训练数据（模式井点的已知参数）进行预测称为网络回判预测。网络回判率越高则预测结果可信度越高。

对已知井点的裂缝、溶蚀孔洞和产能的回判率分别为：90%、92%和88%。

图4-7义和庄区块碳酸盐岩潜山储层溶蚀分布预测图图4-8义和庄区块碳酸盐岩潜山储层裂缝分布预测图图4-9义和庄区块碳酸盐岩潜山储层产能分布预测图。

谷歌人工智能写作项目：神经网络伪原创

神经网络参数如何确定

神经网络各个网络参数设定原则：①、网络节点网络输入层神经元节点数就是系统的特征因子(自变量)个数，输出层神经元节点数就是系统目标个数写作猫。隐层节点选按经验选取，一般设为输入层节点数的75%。

如果输入层有7个节点，输出层1个节点，那么隐含层可暂设为5个节点，即构成一个7-5-1BP神经网络模型。在系统训练时，实际还要对不同的隐层节点数4、5、6个分别进行比较，最后确定出最合理的网络结构。

②、初始权值的确定初始权值是不应完全相等的一组值。已经证明，即便确定存在一组互不相等的使系统误差更小的权值，如果所设Wji的的初始值彼此相等，它们将在学习过程中始终保持相等。

故而，在程序中，我们设计了一个随机发生器程序，产生一组一0.5~+0.5的随机数，作为网络的初始权值。

③、最小训练速率在经典的BP算法中，训练速率是由经验确定，训练速率越大，权重变化越大，收敛越快；但训练速率过大，会引起系统的振荡，因此，训练速率在不导致振荡前提下，越大越好。

因此，在DPS中，训练速率会自动调整，并尽可能取大一些的值，但用户可规定一个最小训练速率。该值一般取0.9。④、动态参数动态系数的选择也是经验性的，一般取0.6~0.8。

⑤、允许误差一般取0.001~0.00001，当2次迭代结果的误差小于该值时，系统结束迭代计算，给出结果。⑥、迭代次数一般取1000次。

由于神经网络计算并不能保证在各种参数配置下迭代结果收敛，当迭代结果不收敛时，允许最大的迭代次数。⑦、Sigmoid参数该参数调整神经元激励函数形式，一般取0.9~1.0之间。⑧、数据转换。

在DPS系统中，允许对输入层各个节点的数据进行转换，提供转换的方法有取对数、平方根转换和数据标准化转换。扩展资料：神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。

主要的研究工作集中在以下几个方面：1.生物原型从生理学、心理学、解剖学、脑科学、病理学等方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。

2.建立模型根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。

3.算法在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。

神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。

参考资料：百度百科-神经网络（通信定义）

神经网络预测安全系数

首先建立一种较简单的神经网络预测安全系数模型，以验证该方法用于露天井工联合开采煤岩边坡分析时的可行性。

6.4.3.1露天井工联合开采边坡稳定性影响因素确定及其预处理诸多因素影响下的边坡，具有复杂的变形破坏机理和模式。不同类型边坡涉及到的稳定性影响因素也是不同的，不能一概而论。

但是对于某一区域或某一类型边坡而言，其涉及到的影响因素可以认为是类似的，可以认为它们的不稳定性活灾害强度和发展趋势是可类比的。

本节神经网络样本取自海州露天矿的现场实测和分析数据，具有较强的相似性和可比性。按工程地质研究方法，影响因素可分为内因和外因两大因素。

内因主要有边坡岩体的地层、材料特性、地质构造、井工开采的煤层分布等;外因有边坡形态的改造、地下采空区范围、人为活动等。

本节研究中的输入因素:内因取为容重、黏聚力、内摩擦角、采深采厚比、煤层倾角;外因取为边坡高、总边坡角、采空区面积。以极限平衡计算得到的边坡安全系数作为输出参数(参见6.2节分析)。

6.2节中的分析共选取了海州露天矿的12条剖面，选取W7、W3、E5、E7、E13、E19、E23、E25共8各剖面的计算实例作为学习样本，以W5、E1、E10、E174个剖面的计算实例作为预测样本，见表6-7。

表6-7神经网络样本原始数据将原始数据按式。进行归一化处理，使参数均转化为(0，1)的数据。6.4.3.2BP神经网络学习对样本数据进行归一化处理，得到神经网络的学习输入参数，见表6-8。

表6-8神经网络学习样本参数神经网络结构优化如下:本模型中，k=8，n=8，m=1。据式(6-17)，取，则要求n1＞4;据式(6-18)，;据式(6-19)，n1≥log2n=3。

可见，n1取值在4～13之间是适宜的，取不同隐层节点数进行网络训练，使系统总误差最小，可得n1=8时训练效果最理想。

样本训练误差E和循环次数t是程序运行时结束的两个结束标准，迭代中以程序结束标准为:E=0，t=10000。据网络结果优化确定:η=0.9，α=0.7，隐含层数c=1，隐层节点数n=8。

对神经网络进行训练，训练总误差E=9.913×10-4。6.4.3.3BP神经网络预测据学习好的神经网络，进行4个样本的神经网络预测。表6-9为预测样本输入参数。

表6-9预测样本输入参数将该表输入训练好的网络，得预测结果及误差见表6-10所示。表6-10神经网络预测结果与实测结果的对照注:δ表示预测值与实测值的相对误差，。

可见，安全系数的预测总平均误差均在20%以内，可以满足要求，从理论上说明了BP神经网络的可用性，可以预测输出目标。

卷积神经网络能用于参数预测吗

。

卷积神经网络有以下几种应用可供研究：1、基于卷积网络的形状识别物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图像识别的基础。

2、基于卷积网络的人脸检测卷积神经网络与传统的人脸检测方法不同，它是通过直接作用于输入样本，用样本来训练网络并最终实现检测任务的。

它是非参数型的人脸检测方法，可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。

3、文字识别系统在经典的模式识别中，一般是事先提取特征。提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。

然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。

神经网络算法中，参数的设置或者调整，有什么方法可以采用

若果对你有帮助，请点赞。神经网络的结构（例如2输入3隐节点1输出）建好后，一般就要求神经网络里的权值和阈值。

现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。

然后将它更新为新的解，再继续寻找下一步的移动方向的步长，这样不断的迭代下去，目标函数（神经网络中的预测误差）也不断下降，最终就能找到一个解，使得目标函数（预测误差）比较小。

而在寻解过程中，步长太大，就会搜索得不仔细，可能跨过了优秀的解，而步长太小，又会使寻解过程进行得太慢。因此，步长设置适当非常重要。

学习率对原步长（在梯度下降法中就是梯度的长度）作调整，如果学习率lr=0.1,那么梯度下降法中每次调整的步长就是0.1*梯度，而在matlab神经网络工具箱里的lr,代表的是初始学习率。

因为matlab工具箱为了在寻解不同阶段更智能的选择合适的步长，使用的是可变学习率，它会根据上一次解的调整对目标函数带来的效果来对学习率作调整，再根据学习率决定步长。

机制如下：ifnewE2/E2>maxE_inc%若果误差上升大于阈值lr=lr*lr_dec;%则降低学习率elseifnewE2

祝学习愉快。

如何选择神经网络的超参数

1、神经网络算法隐含层的选取1.1构造法首先运用三种确定隐含层层数的方法得到三个隐含层层数，找到最小值和最大值，然后从最小值开始逐个验证模型预测误差，直到达到最大值。

最后选取模型误差最小的那个隐含层层数。该方法适用于双隐含层网络。1.2删除法单隐含层网络非线性映射能力较弱，相同问题，为达到预定映射关系，隐层节点要多一些，以增加网络的可调参数，故适合运用删除法。

1.3黄金分割法算法的主要思想：首先在[a,b]内寻找理想的隐含层节点数，这样就充分保证了网络的逼近能力和泛化能力。

为满足高精度逼近的要求，再按照黄金分割原理拓展搜索区间，即得到区间[b,c]（其中b=0.619*（c-a）+a），在区间[b,c]中搜索最优，则得到逼近能力更强的隐含层节点数，在实际应用根据要求，从中选取其一即可。

BP神经网络模型各个参数的选取问题

样本变量不需要那么多，因为神经网络的信息存储能力有限，过多的样本会造成一些有用的信息被丢弃。如果样本数量过多，应增加隐层节点数或隐层数目，才能增强学习能力。

一、隐层数一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。

一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。

对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。

因此，一般认为，应将不含隐层的网络模型归入回归分析中，技术已很成熟，没有必要在神经网络理论中再讨论之。

二、隐层节点数在BP网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。

目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。

为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。

研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。

bp神经网络预测是不是数据越多，预测能力就越好？