摘 要
徐旺林，庞雄奇，吕淑英，Michael R Berthold. 动态概率神经网络及油气概率分布预测.石油地球物理勘探，2005，40（1）：65～70
传统概率神经网络（PNN）采用了前向径向基函数神经网络的局部化的、高斯型作用函数，虽然具有较好的分类能力，但也存在以下局限性：①如果学习样本增多，模式层的神经元个数也增多，导致运算矩阵的增大而使之几乎丧失处理大数据量实际资料的能力；②模式层到求和层的权值固定为常数，必然要求学习集合中各类样本的数量相等，从而会影响其接受实际数据的能力。为此文中引入了动态概率神经网络（DPNN），它与传统PNN在结构上的区别在于：①模式层到求和层不以等权连接，权值由学习样本集的概率分布所确定；②学习样本集中各类样本的数量（各类在模式层的神经元个数）可以不相等。文中还介绍了DPNN算法。理论数据测试充分展示了DPNN结构具有动态调整、学习收敛快速、分类识别能力强大等特点。通过选取G油田实际资料的22种属性作为网络的输入向量，用DPNN进行分类识别得到了含油气概率分布图，可为预测有利油气圈闭及油水分布规律提供依据。

关键词
动态概率神经网络 地震属性 模式识别