摘  要： 基于传统对传神经元网络在时域上推广，构造出对传过程神经元网络模型，并对对传过程神经元网络模型及其学习算法进行研究。最后将对传过程神经元网络模型应用到油层水淹识别实例上，模拟仿真结果表明了模型和算法的有效性。
关键词： 过程神经元；神经网络；学习算法；对传过程神经元网络

　过程神经元网络模型[1]的提出，为解决与过程有关的系统评价问题提供了一种非传统建模求解问题的方法，也为含有大量时空信息的动态问题的分类和划分提供了一种可探索的途径。
对传神经元网络是Robert Hecht-Nielson于1987年提出的一种三层机构前向型神经元网络模型。与同构网相比，对传神经元网络的异构性使它更接近生物脑神经系统的信息处理机制，在模式识别、模式完善、信号加强等领域具有重要的应用。将传统对传神经元网络向时域进行推广，可构造出对传过程神经元网络模型。对传过程神经元网络对于时变信号模式分类、连接系统信号处理等实际问题具有较大的应用价值。本文重点讨论对传过程神经元网络模型及其学习算法，并用实例验证其模型和算法的有效性。
1 过程神经元
　过程神经元由加权、聚合和激励三部分组成，与传统神经元不同之处在于过程神经元的输入和权值都可以是时变的。其聚合运算既有对空间的多输入聚合，也有对时间过程的积累[2-3]。因此过程神经元是传统神经元在时域上的扩展，传统神经元可以看成是过程神经元的特例[4]。单个过程神经元的结构如图1所示。其输入输出关系见式（1）。

　这里，采用对传过程神经元网络进行测井水淹层识别。在大量取心井水淹油层分析资料中，选取80个有代表性的水淹油层样本组成训练集，40个油层样本组成测试集。对传过程神经元网络的拓扑结构确定为5-8-1型。将80个训练样本代入网络进行训练，学习精度取为0.05，最大学习次数为5 000。实验中网络迭代1 319次后收敛。用训练好的网络对训练样本进行判别，其中有74个样本判断准确，正确率为92.5%；对测试集40个样本进行判别，其中有31个样本判断正确，正确识别率为77.5%。这与目前水淹层自动判别方法的正确率相比，是一个较好的结果。
　本文简要介绍了对传过程神经元网络模型及其学习算法，并以油层水淹识别仿真研究为例验证了其模型和学习算法的有效性。由仿真实例可以看出，对传过程神经元网络模型对于解决与连续时变过程相关的动态模式识别具有较好的适应性，并且为实现计算机水淹层自动识别提供了一种有效途径。
参考文献
[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] 何新贵，梁久祯.过程神经元网络的若干理论问题[J].中国工程科学，2000，2（12）：40-44.
[3] 何新贵，许少华.过程神经元网络[M].北京：科学出版社，2007.
[4] HAGAN M T， DEMUTH H B， BEALE M H.神经网络设计[M].戴葵，李伯民译.北京：机械工业出版社，2002.
[5] 何新贵，许少华，李盼池.自组织过程神经网络及其应用研究[J].计算机研究与发展，2003，40（11）：1612-1615.
[6] 许少华，肖红，廖太平.基于离散Walsh变换的过程神经元网络学习算法[J].大庆石油学院学报，2003，27（4）：58-61.