量子过程神经网络模型算法及应用

为提高总有机碳含量(TOC)的预测精度,针对测井曲线的时变、奇异性特征,选用脊波函数作为过程神经元的激励函数,提出一种连续脊波过程神经元网络.模型训练方面首先给出基于正交基展开的梯度下降法;其次为提高模型训练收敛能力,提出一种沿Bloch球面纬线实施莱维飞行的量子衍生布谷鸟算法,并用于模型参数优化;最后将训练好的脊波过程神经网络应用于泥页岩TOC预测,通过相关性选取对TOC响应敏感的测井曲线作为模型特征输入.实验对比结果表明,该方法的预测精度较高,较其他过程神经网络提高7个百分点.

为解决过程神经网络的隐层结构和训练速度问题,在极限学习机的基础上,提出一种混合优化的结构自适应极限过程神经网络.首先,采用在隐层中逐次增加过程神经元节点直至满足输出误差的方式完成模型结构自适应;然后,为消除冗余节点,提出对新增临时节点输出实施Gram-Schmidt正交化完成相关性判别;最后,构建一种量子衍生布谷鸟算法,对新增节点输入权函数正交基展开系数实施寻优.仿真实验以Mackey-Glass和页岩油TOC预测为例,通过对比分析验证所提出方法的有效性,仿真结果表明所得模型的逼近效率和训练速度