1.基于贝叶斯神经网络的微生物岩沉积微相识别方法,其特征在于,包括以下步骤:
S1、统计所有镜下鉴定结果,确定微生物岩沉积微相的类型、数目;所述微生物岩沉积微相的类型包括纹层、叠层、凝块、泡沫绵层、纹层叠层、纹层凝块和凝块纹层叠层;
S2、依据统计结果建立沉积微相贝叶斯网络结构图;所述贝叶斯网络结构是一个有向无环图,其中每个结点代表一种微生物岩沉积微相的类型,任意两个结点之间的弧代表两种类型之间的概率依赖关系;某条弧由某一类型A指向另一类型B时,说明A的取值会对B的取值产生影响;由于是有向无环图,A、B间不会出现有向回路;在贝叶斯网络结构中,如果从一个结点A有一条有向通路指向B,则称结点A为结点B的祖先,同时称结点B为结点A的后代;
S3、根据统计结果计算每种岩相的先验概率;
S4、编写基于python的贝叶斯判别网络程序,利用Class分类建立多层感知机神经网络模型的结构模块,所述的神经网络模型一共有两层:第一层输入的数据是经过人工鉴定薄片后确定了沉积微相的测井数据,输出为每种岩相的先验概率;
第二层神经网络中增加了一个贝叶斯权重阈值调整模块,输入数据是待识别的测井数据,输入数据经过tanh函数计算数据流,经过softmax函数计算后完成输出,计算分类结果和先验概率的误差,若误差小于预设的阈值则结束训练,得到分类模型;否则将第二层的输出结果带入贝叶斯权重阈值调整模块,让神经网络重新调整权值阈值后重新进行训练;所述第二层神经网络中,初始权重、阈值均为0,贝叶斯权重阈值调整模块利用第一层神经网络的输出的先验概率,结合第二层神经网络的输出,计算二者之间的误差,若第二层神经网络的输出除以先验概率得到的结果大于0.85,则结束训练,否则利用rng模块随机生成新的权重和阈值,重新进行训练;
第二层神经网络的输出函数采用softmax函数,误差函数为argmax函数。
2.根据权利要求1所述的基于贝叶斯神经网络的微生物岩沉积微相识别方法,其特征在于,所述第一层激活函数采用tanh函数,公式为:其中,x为第一层输入的确定了沉积微相的测井数据,f(x)是第一层神经网络的输出。