شبکه های عصبی پس انتشار خطا

شبکه های عصبی پس انتشار خطا

شبکه عصبی مصنوعی پس انتشار خطا یک ابزار جدید در علوم نفت می باشد که بطور گسترده ای در زمینه های علمی کارهای لرزه ای بکار گرفته است . شبکه های عصبی مصنوعی عملکرد مغز انسان را شبیه سازی کرده و برای حل مسائل مشکل از قبیل تشخیص هویت بخوبی جواب می دهد که از طریق سایر روشهای محاسبات عددی امکان پذیر نمی باشد .توابع ANN بصورت یک سیستم دینامیکی غیر خطی می باشند که تشخیص الگو را در طی فرآیند آموزش یاد می گیرند . هر شبکه عصبی مصنوعی دو جزء اصلی دارد : گروه ها یا نرونها و رشته ها که بردارهای وزن را در بین نرونها به مرتبط می سازند (شکل 2). به محض ورود نمونه های آموزشی به داخل شبکه ، نرونها در داخل شبکه مقادیر تابع محرک را محاسبه کرده و این مقادیر را بر اساس دستوری که به الگوریتم مورد استفاده بستگی دارد به نرونهای دیگر منتقل می کنند .

فرایند یادگیری شبکه عصبی مصنوعی پس انتشار خطا شامل فرستادن مقادیر ورودی به صورت پیشخور به داخل شبکه ، و محاسبه اختلاف بین خروجی بدست آمده از شبکه با خروجی مطلوب نظیر در مجموعه داده های آموزشی می باشد . این اطاعات خطا بصورت پسخور به شبکه بر می گردد و بردارهای وزن تغییر داده می وند. بعد از چندین مرحرله از تکرار الگوریتم ، زمانیکه خروجی محاسبه شده تخمین خوبی از خروجی مطلوب می باشد یادگیری متوقف می شود. تشابه بین شبکه عصبی مصنوعی پس انتشار خطا با تکنیکهای وارون سازی ژنوفیزیکی معمول، آشکار می باشد. روش ANN مزیتهای متعددی نسبت به روشهای آماری و محاسبات عددی دارد. مهم ترین مزیت این روش این است که از در اختیار داشتن یک شکل تابع مشخص بی ناز است. در مدل سازی شبکه مصنوعی دو سوال اساسی وجود دارد که پاسخ قطعی ندارند، چرا که از ماهیت عملی برخوردارند: 1) چه تعداد داده برای آموزش شبکه نیاز می باشد؟

2) بهترین تعدا نرون میانی چند عدد می باشد؟

بطور کلی ، تعداد بیشتر الگوها و تعداد کمتر نرونهای میانی ، بهتر است به هر حال بین تعداد الگوهای یادگیری و تعداد بعث می شود که شبکه از بر کند و با وجود اینکه در طی آموزش خول کار می کند ولی در مرحله آززمایش ضعیف عمل کرده و بد تعمیم داده شود. قانون مشخصی برای تعیین تعداد لایه های میانی و تعداد نرونهاس آن وجود ندارد. به هر حال، تعداد لایه های بیشتر از تعداد کم آنها بهتر نبوده و بطور کلی دانسته شده است که یک شبکه با تعداد کم نرونهای میانی بهتر از یک شبکه با تعداد زیاد نرونهای میانی تعمیم می یابد . در این پروژه ، در ابتدا پروژه ، در ابتدا 20 نرون برای لایه میانی شبکه تخلخل در نظر گرفته شد و سپس با کاهش یک به یک آنها تا 7 نرونه ، حالت بهینه 10 نرون بدست آمد. الگوریتن استاندارد پس انتشار خط در کتابهای مختلف مربوط به شبکه اراوه شده است .