多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

一种改进的多层感知器神经网络技术

多层感知器 (multi-layerperceptronnetworks ,MLPN)是一具有多层神经元、前馈、误差反传结构的神经网络 ,它的学习和预测能力受多方面因素的影响。首先我们从理论证明和数值分析的角度研究了传输函数、神经元的数目、网络层数及网络误差的迭代方式等与MLPN学习和预测能力的关系 ,对常规的MLPN作了改进 ;然后结合一个理论模型分析的例子 ,讨论了改进的MLPN对非线性函数的学习能力 ;最后 ,以某地野外磁测数据的去噪为实例 ,将本文介绍的神经网络技术用于插值 ,从而达到去噪的目的。

多层感知器神经网络在机械故障诊断中的应用

针对ＢＰ网络用于复杂机械故障诊断时学习收敛慢、易陷于局部极小点等不足，提出了改进方法较大误差相关修正法，并对各系数进行了研究．结果表明，改进算法拓宽了各系数的取值范围，使网络性能更加平稳，且缩短了训练时间；适用于解决多输出节点的复杂故障诊断问题．

基于多层感知器神经网络的波导匹配负载设计

讨论了多层感知器神经网络 (MLPNN)在矩形波导终端匹配短负载设计中的应用。网络学习过程采用反向传播算法 (BP) ,并对训练和测试用样本进行随机化 ,训练过程中加入动量项 ,网络结构可进行自动调节。对样本进行了线性定标 ,用定标后的样本训练神经网络 ,建立系统模型 ,通过优化神经网络相应参数成功实现了矩形波导H面T型结构的终端短小匹配负载的结构设计。

基于人工神经网络——多层感知器(MLP)的遥感影像分类模型

新一代遥感信息分类方法的应用,主要是将近年来发展起来的人工神经网络、模糊理论、人工智能等技术用于遥感信息分类,从算法上改进分类的精度。论述人工神经网络中的多层感知器(MLP)的基本思想,结合实例,用多层感知器(MLP)方法对单源及多源融合遥感影像进行了分类,并与各种分类方法的结果进行比较。

基于多层感知器神经网络的小微企业信贷风险研究

文章以多层感知器神经网络算法为基础,对某小贷公司的小微企业信贷数据库中的信贷记录进行了信贷评估,并将该结果与决策向量机、线性判别、二次判别和逻辑回归等数据挖掘方法进行了比较。分析结果表明,从总体上看,多重感知器神经网络算法优于传统的基于参数的分类方法,即多层感知器神经网络算法拥有相对较高的ROC曲线下面积和较低的预期错误分类成本。更进一步,在研究所采用的4种MLP算法中,基于BFGS Quasi-Newton训练算法的MLP表现最为出色,可以作为金融机构进行小微信贷风险评估的辅助决策模型。

基于循环多层感知器神经网络的符号逻辑推理系统

介绍一种用循环多层感知器神经网络实现符号逻辑推理系统的方法。该方法通过让神经网络学习训练样本获取领域规则知识，或者直接将领域规则知识编码于神经网络之中，即用神经网络来表达领域规则知识，然后通过神经网络的循环反馈计算过程来实现任意形式的符号逻辑推理．为研究人类抽象思维（逻辑符号推理）与神经网络形象思维（联接数值计算）之间的关系提供了理论基础。

融合卷积神经网络与多层感知器的鞍部识别方法

针对传统鞍部识别方法中特征选择困难及未考虑鞍部与其它地形要素的共生关系等问题,利用深度卷积神经网络的特征自学习性能,提出了一种卷积神经网络与多层感知器相结合的混合模型实现DEM数据中的鞍部要素识别.首先设计改进的卷积神经网络模型自动提取鞍部的深度特征,经过Softmax分类器得到候选鞍部点,再运用多层感知器对候选鞍部点的位置进行精细回归,标识出最终的鞍部要素坐标.通过自建的鞍部样本集SADDLE-100训练网络模型,并在三种不同的山地样区进行实验,实验结果表明该方法比其它鞍部识别方法的漏提率减少约50%,正确识别率提高6.7%,在一定程度上避免了人工选择特征造成的鞍部语义信息缺失现象,为DEM中的点状要素识别提供了新的技术途径.

基于径向基—多层感知器神经网络联合的复杂岩相智能识别与表征

苏里格气田东二区二叠系石盒子组盒8段(以下简称盒8段)为典型的河流相致密砂岩储层,其强非均质性及复杂的储层结构导致该区面临“甜点”储层优选困难等关键技术瓶颈。为此,在分析盒8段储层岩相类型及组合特征、岩相约束下测井数据特征的基础上,建立了一种契合岩相及其组合特征、测井数据特征、人工智能算法原理的径向基—多层感知器神经网络联合模型,并开展了储层岩相的精确识别与表征研究。研究结果表明:(1)盒8段发育块状层理砾岩相、槽状交错层理粗砂岩相、板状交错层理粗砂岩相、板状交错层理中砂岩相、平行层理中砂岩相、交错层理细砂岩相、波状层理粉砂岩相、块状层理泥岩相8种岩相类型;(2)盒8上亚段曲流河相储层岩相密度偏小、岩相频率偏高、对应测井数据分布较分散,盒8下亚段辫状河相储层岩相密度偏大、岩相频率偏低、对应测井数据分布较集中;(3)建立的径向基—多层感知器神经网络联合模型识别准确率可达89.06%,相较于单一神经网络模型、交会图、主成分分析和决策树等方法识别准确率明显提高。结论认为,建立的径向基—多层感知器神经网络联合模型不仅克服了现有岩相识别方法准确率低且难以推广的缺陷,而且对实现河流相强非均质性致密砂岩储层高效开发具有重要意义。

采用多层感知器神经网络构建亚急性期缺血性脑卒中患者短期预后的预测模型

目的采用多层感知器(MLP)神经网络构建亚急性期缺血性脑卒中(CIS)短期预后的预测模型。方法2019年1月至2021年9月,上海市瑞金康复医院康复科再住院缺血性脑卒中患者60例,采集首次住院时(病程<30 d)的临床相关信息,根据首次入院3个月后改良Rankin量表评分,判断患者短期预后。采用单因素分析筛选与短期预后相关的危险因素,分别采用常规多因素Logistic回归和MLP建立预测模型,计算两种模型的预测准确率,采用接受者操作特征(ROC)曲线评估预测效应。结果多因素Logistic回归模型预测准确率73.3%,ROC曲线下面积0.851;MLP模型预测准确率88.9%,ROC曲线下面积0.930。结论采用MLP模型能更好预测亚急性期缺血性脑卒中的短期预后。

一类神经网络多层感知器的硬件实现方法

提出了一种新的神经网络多层感知器硬件实现方法——信号传播路径动态选择．给出了隐节点个数的确定规则和网络的训练算法，并从理论上给予了证明．结果表明，该算法能一次确定权值，而且所确定的权值均为逻辑值。

基于多层感知器神经网络的学生校内消费评估研究

文章针对评估高等学校在校生校内消费情况方面存在的工作量大、衡量标准难以确定、主观因素影响较大等问题,提出了基于多层感知器神经网络机器学习的评估方法,即采用多层感知器神经网络算法构建模型,学习学生的校内消费数据,挖掘出数据中的隐含信息,再利用学习完成的模型实现评估的一种方法。该方法使用Python编程实现。实验结果表明,该方法能够快速、准确地完成所需的消费特征评估,为学校决策者和相关管理部门提供有力的数据支持。

感知器神经网络模型研究

文章介绍人工神经网络中的典型模型单层感知器和多层感知器,给出标准的感知器学习算法及算法的实现步骤,在此基础上介绍了感知器神经网络模型的改进算法,并对这些算法的特点进行了分析。

基于多层感知器神经网络的智能分类算法

现代技术发展催生了各类智能算法和计算工具,多层感知器神经网络和智能分类算法为其中的代表。尝试就基于多层感知器神经网络的智能分类算法展开分析,给出网络拓扑结构、智能分类算法设计等内容,最后通过模拟实验对上述理论的可行性和价值进行论证,从而为后续多层感知器、智能技术运用提供支持。

基于核磁共振录井数据的多层感知器神经网络对苏里格气田南区的评价预测

为了快速评价预测苏里格气田南区的储集层含气特征,利用该区核磁共振录井数据和实际试气结论及地质信息,构建核磁共振录井参数与储集层含气性识别关系的多层感知器神经网络模型,通过逐层训练得到预测估计值。网络模型训练数据分类准确率为97.7%,测试数据分类准确率为94.6%。应用多层感知器神经网络模型对60组样本核磁共振录井数据进行预测,55组样本被正确分类,整体准确率达91.7%,可以快速有效地对储集层含气性进行识别预测,在实际应用中得到了较好的效果。模型在训练中出现一些异常值,原因可能为模型数据量较少,在钻取和测试过程中储集层样品发生气体逸散,如果选到更合适的数据集进行学习测试,能够提高模型的预测精度,具有一定的可行性。

人工神经网络及其在控制与系统工程中的应用——第四讲 人工神经网络的应用(之一)——用多层感知器检测高阻抗电弧故障

自1943年W.McCulloch和Pitts第一次提出神经元的数学模型以来,人工神经元的发展经历了近50年的历史,经历了几度兴衰。只是到了80年代末,随着计算机技术、电子技术和其他分支的人工智能技术的发展,人工神经网络的理论和应用才得到人们空前的重视,提出许多新的算法,找到许多新的用途。

一类神经网络多层感知器的全硬件实现

针对模式分类问题，给出了一种神经网络多层感知器数字电路硬件实现方法，该方法在硬件电路中不含有数字乘法器，从而有助于克服目前神经网络数字器件难以单片集成的缺限．采用该方法研制出了具体的硬件线路板，应用于一实际的分类问题。

基于多核处理器的多层感知神经网络设计和实现

采用基于片上网络通信的多核处理器,设计并实现了一种具有可重构性、运行时配置和更新,以及具有学习能力的多层感知器神经网络结构以及对应的编程模型,并在FPGA上进行了验证.实验结果表明所设计的结构满足精度和实时性要求,且编程模型简单,易于扩展和维护,为人工神经网络在计算机视觉和人工智能领域的应用提供了良好的解决方法.

多层感知器神经网络及其在语声识别方面的应用

本文首先描述一种神经网络的拓扑结构——多层感知器神经网.其次推导出针对该神经网的整体学习算法,给出算法在一般微机上运行时所遇到的一些具体问题处理原则.最后将双隐层感知器用于语声识别.实验表明:多层感知器神经网络技术用于小词汇量、低信噪比、机载条件语声识别系统,是一种有益的尝试.

对多层前向神经网络研究的几点看法

从不同的领域对多层前向网络的作用本质作了分析，对泛化能力、模型选择、有限样本量等主要问题做了定性讨论；