神经网络BP算法用于三类基本波形分类时训练样本输入方式的研究

doi:10.3863/j.issn.1000-2634.1994.03.020

西南石油大学学报(自然科学版) ›› 1994, Vol. 16 ›› Issue (3): 117-122.DOI: 10.3863/j.issn.1000-2634.1994.03.020

神经网络BP算法用于三类基本波形分类时训练样本输入方式的研究

胡泽吴宁陈伟

1.石油开发系 2.重庆大学电机系 3.石油开发系

收稿日期:1992-10-31 修回日期:1900-01-01 出版日期:1994-08-20 发布日期:1994-08-20
通讯作者: 胡泽

Researches on Input Modes of Training Samples of Backp ropagation Algorithm of Neural Networks Applied to Classifying Three Basic Wave Modes

Hu Ze Wu Lin Chen Wei

1.Southwestern Petroleum Institute 2.Department of Electic Engineering, Chongqing University 3.Southwestern Petroleum Institute

Received:1992-10-31 Revised:1900-01-01 Online:1994-08-20 Published:1994-08-20
Contact: Hu Ze

摘要/Abstract

摘要： 为了进一步研究神径网络BP葬法用于摸式分类时网络的性能，本文采用了四种方式向多层
神经网络提供训练样本，并相互进行比较，结果衣明:随机输入法和部分输入法的输入方式为较佳，从而说明了训练样本的翰入方式对神经网络的性能有着直接的影响.

关键词: 神经网络, BP葬法, 模式分类, 样本, 训练样本

Abstract: In order to further research the properties of neural networks when their BP algorithm is used in mode classification，this paper proposes four ways of offering training samples to multi一layer neural networks, and makes a comparison between them. The results show that the better ways are random input mode and partial input mode，therefore the input mod-
es of traing samples have direct influence on the properties of neural network

Key words: Neural networks, Backpropagation algorithm, Mode classification, SampleTraining sample

中图分类号:

TP18

胡泽吴宁陈伟. 神经网络BP算法用于三类基本波形分类时训练样本输入方式的研究[J]. 西南石油大学学报(自然科学版), 1994, 16(3): 117-122.

Hu Ze Wu Lin Chen Wei . Researches on Input Modes of Training Samples of Backp ropagation Algorithm of Neural Networks Applied to Classifying Three Basic Wave Modes[J]. 西南石油大学学报(自然科学版), 1994, 16(3): 117-122.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10.3863/j.issn.1000-2634.1994.03.020

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y1994/V16/I3/117

[1]	黄旭日, 代月, 徐云贵, 唐静. 基于深度学习算法不同数据集的地震反演实验[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 16-25.
[2]	刘兆年, 赵颖, 孙挺. 渤海区域基于数据驱动的钻井提速[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 35-41.
[3]	檀朝东, 贺甲元, 周彤, 刘健康, 宋文容. 基于PCA-BNN的页岩气压裂施工参数优化[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 56-62.
[4]	刘浩瀚, 颜永勤, 闵令元, 乐平, 殷艳玲. 基于灰色网络组合优化的年增油量预测[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 89-96.
[5]	王兵, 郑亚梅, 陈茂柯, 高凌云. 基于Tri-BiLSTM-CNN的钻井安全问答系统[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 157-164.
[6]	刘永辉, 罗程程, 刘通, 任桂蓉, 王中武. 水平气井井筒气液两相流型预测[J]. 西南石油大学学报(自然科学版), 2019, 41(3): 107-112.
[7]	李建, 李珂, 王兵. 粗糙集和神经网络相融合的钻井安全评价模型[J]. 西南石油大学学报(自然科学版), 2017, 39(5): 120-128.
[8]	王利华1 *，楼一珊1，马晓勇2，程福山1，陈宇3. 储层粒度神经网络预测模型研究[J]. 西南石油大学学报(自然科学版), 2016, 38(1): 53-59.
[9]	袁宗明1，王勇1 *，谢英1，王大鹏2. 原油高温结垢速率测定和预测模型研究进展[J]. 西南石油大学学报(自然科学版), 2016, 38(1): 170-180.
[10]	莫丽1 *，王军1，王俊2，王禄友1. 基于GA-BP 算法的旋转控制头轴承温度预测[J]. 西南石油大学学报(自然科学版), 2016, 38(1): 164-169.
[11]	张志东1，2 *，艾志久1，郑伟3，李奔4，钟功祥1. 泥浆泵液力端故障诊断技术研究[J]. 西南石油大学学报(自然科学版), 2015, 37(5): 167-173.
[12]	侯大力1，孙雷1，潘毅1，秦山玉1，董卫军2. 人工神经网络预测高含CO2 天然气的含水量[J]. 西南石油大学学报(自然科学版), 2013, 35(4): 121-125.
[13]	孙宝财1，武建文1，李雷2，佘志刚3. 改进GA-BP 算法的油气管道腐蚀剩余强度预测[J]. 西南石油大学学报(自然科学版), 2013, 35(3): 160-167.
[14]	贺懿;张进;刘怀山. 基于神经网络的面波迭代反演应用研究[J]. 西南石油大学学报(自然科学版), 2010, 32 (1): 40-44.
[15]	郎晓玲;彭仕宓;康洪全;张凤红. 利用多属性体分类技术预测扇三角洲砂体[J]. 西南石油大学学报(自然科学版), 2010, 32 (1): 65-66.

神经网络BP算法用于三类基本波形分类时训练样本输入方式的研究

Researches on Input Modes of Training Samples of Backp ropagation Algorithm of Neural Networks Applied to Classifying Three Basic Wave Modes

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价