基于模糊神经网络的储集层含水饱和度预测

通过改进补偿模糊神经网络,使模糊系统较强的知识表达能力与神经网络强大的自学习能力优势互补。然后,提出了一种动态调整学习步长的机制,能够避免较大震荡现象的出现;同时加快了迭代速度。最后,将该方法应用到油田测井解释中预测储集层含水饱和度,结果较为满意;与常规神经网络相比,迭代速度和误差精度都有大大的提高;实践证明该方法值得进一步推广运用。

补偿模糊神经网络的改进及实例分析

建立了一种改进的补偿模糊神经网络系统,使模糊系统较强的知识表达能力与神经网络强大的自学习能力优势互补.并提出了一种动态调整学习步长的机制,能够避免较大震荡现象的出现;同时加快了迭代速度,最后将该方法应用到预测我国第三产业的产值比重中,结果较为满意;与常规神经网络相比,迭代速度和误差精度都有大大的提高;实践证明该方法值得进一步推广运用.