地质学与地球物理学杂志
开放获取

抽象的

基于准确性和多样性权衡的剪枝委员会神经网络渗透率预测

赛义德·阿里·贾法里·凯纳里和 Syamsiah Mashohor

委员会机器（CM）或集成引入了一种机器学习技术，该技术聚集了一些学习者或专家，以提高与单个成员相比的泛化性能。构建的 CM 有时会过大，并且存在一些缺点，例如使用额外的内存、计算开销以及偶尔会降低效率。修剪该委员会的一些成员，同时保持个别专家的高度多样性是提高预测性能的有效技术。委员会成员之间的多样性是一个非常重要的衡量参数，它不一定独立于他们的准确性，而且本质上它们之间存在权衡。在本文中，首先，我们构建了具有不同学习算法的委员会神经网络，然后提出了一种基于多样性和准确性权衡的专家剪枝方法来改进委员会机器框架。最后，我们应用这种提出的结构，借助可用的岩心数据，根据测井数据预测渗透率值。结果表明，与最佳专家和初始委员会机器相比，我们的方法给出了最低的误差和最高的相关系数，并且还产生了有关渗透率预测可靠性的重要信息。