第一章 诸论 1
1．1 人工智能的发展概况及其特点 1
1．2 石油勘探信息的特点 2
1．3 人工智能技术在石油勘探信息处理中应用的前景 3
第二章 人工神经网络及其在石油勘探中的应用 5
2．1 绪论 5
2．1．1 引言 5
2．1．2 从大脑神经元到人工神经元 7
2．1．3 人工神经网络的发展简史及几种主要的神经网络 9
2．1．4 人工神经网络构成的基本原理 11
2．1．4．1 Rumelhart的PDP模型 11
2．1．4．2 神经元功能函数 12
2．1．4．3 神经元之间的联接形式 14
2．1．4．4 学习(训练) 16
2．2 几种典型的人工神经网络 18
2．2．1 前向人工神经网络 18
2．2．1．1 概述 18
2．2．1．2．1 感知器学习算法 21
2．2．1．2 感知器 21
2．2．1．2．2 多层感知器 22
2．2．1．2．3 梯度算法 23
2．2．1．2．4 多层感知器学习的定量分析 25
2．2．1．3 BP(Back Propagation)反向传播网络 27
2．2．1．3．1 S型神经元的BP算法 27
2．2．1．3．2 反向传播算法的理论分析——δ算法 30
2．2．1．3．3 BP型多层阿络的生物物理学基础 31
2．2．1．3．4 BP网络的应用实例 33
2．2．1．3．5 BP型前向网络的改进方法 35
2．2．1．4 ADALINE和MADALINE神经网络 37
2．2．2 反馈式神经网络 41
2．2．2．1 Hopfield人工神经网络 41
2．2．2．1．1 概述 41
2．2．2．1．2 Hopfield人工神经网络电路模型及其能量函数 42
2．2．2．1．3 Hopfield人工神经网络用于求解TSP 45
2．2．2．1．4 Hopfield人工神经网络用于联想记忆 49
2．2．2．1．5 稳定性与吸引子 53
2．2．2．2 双向联想记忆神经网络(BAM：Bidirectional Associative Memory) 60
2．2．3．1 按照自适应谐振理论(ART)构成自组织神经网络 65
2．2．3．1．1 概述 65
2．2．3 自组织神经网络 65
2．2．3．1．2 竞争学习机制和自稳学习机制 66
2．2．3．1．3 ART-1神经网络 70
2．2．3．2 自组织特征映射 74
2．2．3．3 CPN模型 76
2．2．4 Neocognitron模型——福岛模型 80
2．3 人工神经网络在石油勘探中的应用 82
2．3．1 应用BP神经网络提取地震记录中的初至波 83
2．3．2 应用NN识别势场特征 87
2．3．3 应用NN识别地震模式 91
2．3．4 应用BAM网络分析石油储层损害情况 92
第三章 模糊聚类方法及其在石油勘探中的应用 97
3．1 概述 97
3．2 几个基本概念 98
3．2．1 样品与特征 98
3．2．1．1 样品与特征 98
3．2．1．2 均值与方差 100
3，2．1．3 距离与相关系数 103
3．2．1．4 资料的标准化 104
3．2．2．1 聚类 105
3．2．2 聚类、分类和特征选择 105
3．2．2．2 分类判别 108
3．2．2．3 特征选择 111
3．2．3 K均值聚类方法 112
3．3 模糊数学的基本概念 115
3．3．1 几个概念 115
3．3．2 模糊集合与隶属度 121
3．4 利用模糊关系的系统聚类法 123
3．4．1 实例 123
3．4．2 几点补充说明 123
3．5．1 基本的模糊K——均值法 127
3．5 模糊K——均值法 127
3．5．2 采用加权距离的模糊聚类法 129
3．5．2．1 使用模糊协方差矩阵的聚类算法 129
3．5．2．2 模糊K——簇算法 132
3．6 模糊聚类法在地震资料处理中的应用 137
3．6．1 概述 137
3．6．2 模糊式混合聚类法 137
3．6．2．1 模糊式混合聚类法 137
3．6．2．2 模糊式混合聚类算法 139
3．6．3 模糊聚类法在地震资料处理中应用实例及效果分析 139