ИССЛЕДОВАНИЕ ПРИМЕНЕНИЯ АНСАМБЛЕЙ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА РЕШЕНИЯ ЗАДАЧ РЕГРЕССИИ

Ю. В. Андронов, А. В. Стрекалов

Аннотация


Искусственные нейронные сети (ИНС) являются одним из информационно-статистических методов анализа. Модели ИНС строятся по принципу «черного ящика», то есть происходит поиск функций, описывающих зависимости выходных переменных от входных при прогоне выборки имеющихся данных. Моделируемые функции зависят от структуры нейронной сети, т.е. от количества входных и выходных переменных, наличия и количества скрытых слоев, типа функции активации и т.д. Теоретически обосновано, что не существует какого-либо четкого алгоритма выбора универсальной структуры нейронной сети и невозможно доказать, что одна структура лучше другой. Это создает неопределенность выбора. Существует и другая проблема, связанная с обучением по принципу «черного ящика» - это переобучение, т.е. точная подгонка искомой функции к имеющимся данным, вследствие чего теряется прогнозирующая способность сети. Таким образом, помимо правильной постановки цели, выбора данных для обучения сети и их нормализации, при решении задачи с помощью нейронных сетей возникают трудности выбора наиболее оптимальной структуры сети конкретно для решаемой задачи, а также контроля обучения сети для предотвращения ее переобучения. Перспективным направлением совершенствования метода ИНС является объединение множества элементарных нейронных сетей в одну систему (ансамбль), что может позволить решать достаточно сложные задачи прогноза на приемлемом уровне. Нейронные сети, объединенные в ансамбль, теоретически обладают более высокой прогнозирующей способностью. В статье представлены результаты эксперимента по применению ансамблей нейронных сетей с целью повышения качества решения задач регрессии на примере задачи прогнозирования эффективности (приростов дебита нефти и дебита жидкости) кислотных обработок призабойной зоны (ОПЗ) на объекте ЮВ
1 Урьевского месторождения. На основе полученных результатов сделан вывод об эффективности применения ансамбля нейронных сетей при прогнозировании относительно одиночной сети с составными выходами.

Ключевые слова


методы прогнозирования;ансамбль;регрессия;кислотная обработка призабойной зоны (ОПЗ);эффективность;нейронная сеть;обучающая выборка;forecasting methods;ensemble;regression;bottom-hole acidizing (BHA);efficiency;neural network;training sample;

Полный текст:

PDF

Литература


URL: https://ru.wikipedia.org/wiki/Мак-Каллок,_Уоррен.

Меркурьев Е. А. Анализ эффективности использования постоянно действующих моделей при проектировании разработки нефтяных месторождений и их адаптация к реальным геолого-промысловым условиям: автореф. канд. техн. наук. Уфа: УГНТУ, 2008. 22 с.

Закревский К.Е. Геологическое 3D моделирование. М.: ООО ИПЦ „Маска“, 2009. 376 с.

Стрекалов А. В., Хусаинов А. Т. Математическое моделирование процессов нефтедобычи на основе нейронных сетей: монография. Тюмень: ТюмГНГУ, 2013. 164 с.

Hebb D.O. The organization of behavior.- NewYork: John Wiley, 1949. 319 p.

Хайкин С. Нейронные сети: полный курс; 2-е изд., испр. М.: ООО «И.Д. Вильямс», 2006. 1104 с.

Гольцев А.Д. Нейронные сети с ансамблевой организацией. Киев: Наукова думка, 2005. 200 с.

Боровиков В. П. Нейронные сети. STATISTICA Neural Networks: методология и технологии современного анализа данных. 2-е изд., М.: Горячая линия - Телеком, 2008. 392 с.


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2015 Ю. В. Андронов, А. В. Стрекалов

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

УФА, УГНТУ, 2017