《表2 两种模型样本检验正确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《利用主成分分析法优化BP神经网络模型在砂砾岩岩性识别中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了和传统BP神经网络对比，本文分别建立两种模型。模型一为传统的BP神经网络模型，将归一化后的自然伽马、自然电位、地层电阻率、声波时差、密度、补偿中子6条曲线作为输入层结构；模型二采用前文主成分分析法提取出的特征值X，Y，Z为输入层，结构见图1。设定两种网络模型的迭代次数为300次，误差3次迭代不下降，误差终值0.01。将346个样本中290个样本数据作为训练样本。利用MATLAB软件对两种模型进行多次训练，模型一最佳网络结构为6-12-6，模型二最佳网络结构为3-8-6。训练完毕后将56个检验样本数据导入模型以验证模型的有效性，传统的BP神经网络识别正确率为76%，而使用主成分分析法优化后的BP神经网络识别正确率提高到了89%。对两种模型的误差曲线对比发现（图2），优化后的BP神经网络模型只需要10步就能将值误差缩小到0.009 53，而传统BP神经网络模型30步时的误差仍然高达0.177 06，表明优化后的模型识别岩性不仅提高了准确率（表2），且简化了模型网络结构，减小模型的计算量。