摘  要： 基于傳統對傳神經元網絡在時域上推廣，構造出對傳過程神經元網絡模型，并對對傳過程神經元網絡模型及其學習算法進行研究。最后將對傳過程神經元網絡模型應用到油層水淹識別實例上，模擬仿真結果表明了模型和算法的有效性。
關鍵詞： 過程神經元；神經網絡；學習算法；對傳過程神經元網絡

　過程神經元網絡模型[1]的提出，為解決與過程有關的系統評價問題提供了一種非傳統建模求解問題的方法，也為含有大量時空信息的動態問題的分類和劃分提供了一種可探索的途徑。
對傳神經元網絡是Robert Hecht-Nielson于1987年提出的一種三層機構前向型神經元網絡模型。與同構網相比，對傳神經元網絡的異構性使它更接近生物腦神經系統的信息處理機制，在模式識別、模式完善、信號加強等領域具有重要的應用。將傳統對傳神經元網絡向時域進行推廣，可構造出對傳過程神經元網絡模型。對傳過程神經元網絡對于時變信號模式分類、連接系統信號處理等實際問題具有較大的應用價值。本文重點討論對傳過程神經元網絡模型及其學習算法，并用實例驗證其模型和算法的有效性。
1 過程神經元
　過程神經元由加權、聚合和激勵三部分組成，與傳統神經元不同之處在于過程神經元的輸入和權值都可以是時變的。其聚合運算既有對空間的多輸入聚合，也有對時間過程的積累[2-3]。因此過程神經元是傳統神經元在時域上的擴展，傳統神經元可以看成是過程神經元的特例[4]。單個過程神經元的結構如圖1所示。其輸入輸出關系見式（1）。

　這里，采用對傳過程神經元網絡進行測井水淹層識別。在大量取心井水淹油層分析資料中，選取80個有代表性的水淹油層樣本組成訓練集，40個油層樣本組成測試集。對傳過程神經元網絡的拓撲結構確定為5-8-1型。將80個訓練樣本代入網絡進行訓練，學習精度取為0.05，最大學習次數為5 000。實驗中網絡迭代1 319次后收斂。用訓練好的網絡對訓練樣本進行判別，其中有74個樣本判斷準確，正確率為92.5%；對測試集40個樣本進行判別，其中有31個樣本判斷正確，正確識別率為77.5%。這與目前水淹層自動判別方法的正確率相比，是一個較好的結果。
　本文簡要介紹了對傳過程神經元網絡模型及其學習算法，并以油層水淹識別仿真研究為例驗證了其模型和學習算法的有效性。由仿真實例可以看出，對傳過程神經元網絡模型對于解決與連續時變過程相關的動態模式識別具有較好的適應性，并且為實現計算機水淹層自動識別提供了一種有效途徑。
參考文獻
[1] HE X G， LIANG J Z. Procedure neural networks. Proc of the Conference on Intelligent Information[C]. Beijing， China： Electronic Industry Press， 2000.
[2] 何新貴，梁久禎.過程神經元網絡的若干理論問題[J].中國工程科學，2000，2（12）：40-44.
[3] 何新貴，許少華.過程神經元網絡[M].北京：科學出版社，2007.
[4] HAGAN M T， DEMUTH H B， BEALE M H.神經網絡設計[M].戴葵，李伯民譯.北京：機械工業出版社，2002.
[5] 何新貴，許少華，李盼池.自組織過程神經網絡及其應用研究[J].計算機研究與發展，2003，40（11）：1612-1615.
[6] 許少華，肖紅，廖太平.基于離散Walsh變換的過程神經元網絡學習算法[J].大慶石油學院學報，2003，27（4）：58-61.