BP神经网络(地震数据反推测井曲线)

最近做了一个BP神经网络，分享一下

头文件和库文件下载地址: http://download.csdn.net/detail/sdust_dx/9537656

使用随机x 识别 y=sin(x）关系的例子，效果还基本不错。

测试数据:

int main()
{
      int InLayerNodesNum = 1;  //输入层节点数
    int MidLayerNodesNum = 8; //隐层节点数
    int OutLayerNodesNum = 1;

    cout <<  "输入层节点数(8): \r\n";
    cin >> InLayerNodesNum;

    int tLoop = 20000;         // 训练次数
    cout <<  "训练次数(10000): \r\n";
    cin >> tLoop;

      /* 造一组数据进行测试 */
    BPNet bpNet(InLayerNodesNum, MidLayerNodesNum, OutLayerNodesNum);
    const int N=50; 
    const float Pi=3.1415926;

    srand(time(0));
    float** a = new float*[N];
    float** a2 = new float*[N];
    float** a3 = new float*[N];
    float** b = new float*[N];
    float** b2 = new float*[N];
    float** b3 = new float*[N];    //实际结果
    float** b3_bp = new float*[N];  //识别结果
    for(int i=0; i<N; i++)
    {
        a[i] = new float[InLayerNodesNum];
        a2[i] = new float[InLayerNodesNum];
        a3[i] = new float[InLayerNodesNum];
        b[i] = new float[OutLayerNodesNum];
        b2[i] = new float[OutLayerNodesNum];
        b3[i] = new float[OutLayerNodesNum];
        b3_bp[i] = new float[OutLayerNodesNum];
       
    }

    for(int i=0;i<N;++i)
    {
        a[i][0]=((2.0*(float)rand()/RAND_MAX)-1)*(Pi/2-1)+1;
        a2[i][0]=((2.0*(float)rand()/RAND_MAX)-1)*(Pi/2-1)+1;
        a3[i][0]=((2.0*(float)rand()/RAND_MAX)-1)*(Pi/2-1)+1;


        b[i][0]=2*sin(a[i][0])-0.7;
        b2[i][0]=2*sin(a2[i][0])-0.7;
        b3[i][0]=2*sin(a3[i][0])-0.7;
    }

      bpNet.train(a,b,N);
    bpNet.train(a2,b2,N);
    bpNet.sim(a3,b3_bp,N);

    cout << "a3     b3     b3-bp"
    for(int i=0;i<N;++i)
        cout<< a3[i][0] << " & " << b3[i][0]<<" -> "<<b3_bp[i][0]<<endl;

}

使用真实数据进行BP计算的时候，吻合度就没有这么好，因为x[]和y之间没有明确的函数关系甚至有的时候还是一对多的。

(而且也没有对x[]进行特别的预处理，没有将其映射到更好的特征空间里，做了映射的话效果应该会更好，后续计划做k-l或类似于自动聚类的预处理)。

地震数据体反推测井曲线，实际上地震数据体代表了反射结果，测井曲线代表地层特征。与地震波动相关的测井曲线才会在理论上与地震数据体有关，而且这种关系是非线性的。在试验中，输入层采用了6个输入节点(6维特征)

下图是实际数据的结果

BP神经网络(地震数据反推测井曲线)

猜你喜欢