王鵬，譚茂金，2

（1.中國(guó)地質(zhì)大學(xué)地球物理與信息技術(shù)學(xué)院，北京100083；2.地下信息探測(cè)技術(shù)與儀器教育部重點(diǎn)實(shí)驗(yàn)室，北京100083）

0 引 言

鎮(zhèn)涇油田長(zhǎng)9儲(chǔ)層為致密砂巖儲(chǔ)層，巖石結(jié)構(gòu)復(fù)雜，物性條件差，其基質(zhì)孔隙度低、滲透率低，非均質(zhì)性極強(qiáng)，由于裂縫的存在形成了具有有效孔隙度和滲透率的儲(chǔ)層。儲(chǔ)層的孔隙結(jié)構(gòu)較為復(fù)雜，多為含基質(zhì)孔隙和裂縫在內(nèi)的多種孔隙結(jié)構(gòu)類型的復(fù)雜儲(chǔ)層。對(duì)于長(zhǎng)9致密砂巖儲(chǔ)層，測(cè)井曲線所反映儲(chǔ)層流體差異性非常微弱，對(duì)流體類型指示規(guī)律不強(qiáng)，依據(jù)常規(guī)測(cè)井交會(huì)圖和基于不同參數(shù)“距離”差異等方法識(shí)別流體效果不理想。

對(duì)于多流體類型的油氣儲(chǔ)層，已有學(xué)者提出了神經(jīng)網(wǎng)絡(luò)流體識(shí)別方法，取得了很好的應(yīng)用效果。其中，梁麗梅等［1］提出了以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立神經(jīng)網(wǎng)絡(luò)流體層模擬交會(huì)圖，對(duì)低電阻率流體識(shí)別；胡春濤等［2］利用SOM（自組織特征映射）網(wǎng)絡(luò)，提取出測(cè)井響應(yīng)特征參數(shù)間的內(nèi)在特征，并映射到分類模板上，通過模式識(shí)別進(jìn)行碳酸鹽儲(chǔ)層流體預(yù)測(cè)；蔣煉等［3］利用測(cè)井資料建立模糊數(shù)學(xué)模型，根據(jù)多元隸屬函數(shù)M分類法對(duì)生物礁灘儲(chǔ)層流體類型進(jìn)行識(shí)別；張銀德等［4］采用SVM（支持向量機(jī)）網(wǎng)絡(luò)，根據(jù)部分測(cè)井試油樣本訓(xùn)練分布和實(shí)驗(yàn)結(jié)果選擇核函數(shù)類型，利用網(wǎng)格搜索尋優(yōu)得到模型的最優(yōu)參數(shù)，以此建立了高電阻率水層流體識(shí)別模型。然而，這些方法難以較好地用于致密砂巖儲(chǔ)層精細(xì)流體識(shí)別中。其中，BP和SOM網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，網(wǎng)絡(luò)權(quán)系數(shù)收斂速度慢，流體識(shí)別精度不高；M分類只能進(jìn)行簡(jiǎn)單流體識(shí)別；而SVM網(wǎng)絡(luò)需要人為選定網(wǎng)絡(luò)核函數(shù)和懲罰系數(shù)，對(duì)樣本分布形態(tài)依賴性大。

在較多典型神經(jīng)網(wǎng)絡(luò)中，Hopfield網(wǎng)絡(luò)以其簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)和其強(qiáng)大的聯(lián)想記憶能力，成為解決時(shí)空狀態(tài)優(yōu)化問題的佼佼者［5－6］，其最為經(jīng)典的案例要屬Hopfield網(wǎng)絡(luò)在R＆D（Research ＆Decision）項(xiàng)目決策領(lǐng)域中應(yīng)用［7］和快速 TSP（Traveling Salesman Problem）問題優(yōu)化［8］。為此，設(shè)法利用Hopfield網(wǎng)絡(luò)穩(wěn)態(tài)時(shí)強(qiáng)收斂性，把反映流體信息的狀態(tài)量映射為Hopfield網(wǎng)絡(luò)穩(wěn)態(tài)點(diǎn)，成為解決致密砂巖儲(chǔ)層流體精細(xì)識(shí)別的一個(gè)新的思路。

本文針對(duì)研究區(qū)的致密砂巖儲(chǔ)層，提出了基于DHNN的流體識(shí)別方法，應(yīng)用研究區(qū)常規(guī)測(cè)井?dāng)?shù)據(jù)進(jìn)行了流體預(yù)測(cè)，并用試油結(jié)果進(jìn)行了驗(yàn)證。

1 Hopfield網(wǎng)絡(luò)算法原理

Hopfield網(wǎng)絡(luò)最初是由美國(guó)物理學(xué)家J.J Hopfield于1982年提出，是一種全連接型的神經(jīng)網(wǎng)絡(luò)。離散的Hopfield網(wǎng)絡(luò)（DHNN）是一種單層、輸出為二值的反饋網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示［6］。

圖1 離散Hopfield網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)于單層神經(jīng)元，執(zhí)行對(duì)出入信息與權(quán)系數(shù)的乘積求累加和，并經(jīng)過非線性函數(shù)f處理后產(chǎn)生輸出信息。f是一個(gè)簡(jiǎn)單的閾值函數(shù)，如果神經(jīng)元的輸出信息大于或等于閾值c，神經(jīng)元的輸出取值為1；如果小于閾值c，則神經(jīng)元的輸出取值為－1。對(duì)于二值神經(jīng)元，它的計(jì)算公式

式中，xj為外部輸入，并且有

一個(gè)DHNN的網(wǎng)絡(luò)狀態(tài)是輸入神經(jīng)元信息的集合，對(duì)于一個(gè)輸出層是n個(gè)神經(jīng)元的網(wǎng)絡(luò)，其t時(shí)刻的狀態(tài)為一個(gè)n維向量Y＝［y1（t），y2（t），…，yn（t）］，因?yàn)閥i（t）可以取值為1或－1，故n維向量Y（t）可以表示2n種狀態(tài)?？紤]DHNN的一般節(jié)點(diǎn)狀態(tài)，用yi（t）表示第j個(gè)神經(jīng)元，即節(jié)點(diǎn)j在時(shí)刻t的狀態(tài)，則節(jié)點(diǎn)在下一時(shí)刻（t＋1）的狀態(tài)可以求得

如果wij在i＝j(luò)時(shí)等于0，說明一個(gè)神經(jīng)元的輸出并不會(huì)反饋到其輸入，這時(shí)DHNN稱為無(wú)反饋的網(wǎng)絡(luò)。如果wij在i＝j(luò)時(shí)不等于0，說明一個(gè)神經(jīng)元的輸出會(huì)反饋到其輸入端，這時(shí)DHNN稱為有反饋的網(wǎng)絡(luò)。對(duì)于給定的需要記憶的樣本向量T＝［t1，t2，…，tn］，對(duì)于tk的狀態(tài)為1或－1，則連接權(quán)值的學(xué)習(xí)表示為

令測(cè)試樣本P＝［p1，p2，…，pn］為網(wǎng)絡(luò)的輸出的初始值yi（0）＝pi，（i＝1，2，…，n），設(shè)定迭代次數(shù)，按式（4）進(jìn)行迭代，直到達(dá)到最大迭代次數(shù)或神經(jīng)元輸出狀態(tài)保持不變，迭代終止。

Hopfield網(wǎng)絡(luò)作為一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，網(wǎng)絡(luò)的穩(wěn)定性非常重要。對(duì)與給定初始狀態(tài)，DHNN網(wǎng)絡(luò)具有極強(qiáng)的學(xué)習(xí)記憶能力，通過上述迭代，最終將每一個(gè)記憶樣本視為網(wǎng)絡(luò)的一個(gè)穩(wěn)定狀態(tài)。通常借助鐵磁材料哈密頓函數(shù)的形式定義DHNN網(wǎng)絡(luò)的能量函數(shù)，用以表征網(wǎng)絡(luò)的穩(wěn)定狀態(tài)。

如果從任意初始狀態(tài)出發(fā)，網(wǎng)絡(luò)狀態(tài)的演變都能滿足前后網(wǎng)絡(luò)狀態(tài)能量差ΔE≤0，則表示網(wǎng)絡(luò)狀態(tài)逐漸趨于穩(wěn)定；當(dāng)能量達(dá)到極小點(diǎn)時(shí)，ΔE＝0，網(wǎng)絡(luò)穩(wěn)定。同時(shí)，可以證明，經(jīng)過式（3）迭代得到權(quán)值矩陣為對(duì)稱且非負(fù)定矩陣時(shí)，網(wǎng)絡(luò)為穩(wěn)定狀態(tài)。

2 方法應(yīng)用與分析

研究區(qū)不同井的資料種類層次不一，既含常規(guī)測(cè)井系列，部分井區(qū)又有核磁共振、成像測(cè)井?dāng)?shù)據(jù)。為了在整個(gè)研究區(qū)建立統(tǒng)一流體識(shí)別標(biāo)準(zhǔn)，取常規(guī)測(cè)井系列自然伽馬、深感應(yīng)、補(bǔ)償聲波、補(bǔ)償中子和補(bǔ)償密度作為研究區(qū)流體識(shí)別的樣本數(shù)據(jù)。需要說明的是，這里所提及測(cè)井?dāng)?shù)據(jù)都是經(jīng)過環(huán)境校正、標(biāo)準(zhǔn)化等預(yù)處理后的數(shù)據(jù)，為了便于方法說明，以下將測(cè)井系列稱為測(cè)井屬性。

2.1 測(cè)井響應(yīng)特征

根據(jù)評(píng)價(jià)井試油資料流體測(cè)試結(jié)果，儲(chǔ)層被劃分為油層、油水同層、含油水層、水層和干層等5類，相應(yīng)的測(cè)井響應(yīng)如圖2所示?？梢钥闯?，GR區(qū)間位于60～90API，5種流體有相似的響應(yīng)范圍；RILd區(qū)間位于0～80Ω·m，干層和油水同層有相對(duì)較高的響應(yīng)特征；AC區(qū)間位于200～260μs／m，干層有相對(duì)較低的響應(yīng)特征；CNL區(qū)間位于10%～25%，油層有相對(duì)較高的響應(yīng)特征；DEN區(qū)間位于2.31～2.65g／cm3，干層有相對(duì)較高的響應(yīng)特征。

從測(cè)井屬性交會(huì)的結(jié)果看，僅能勉強(qiáng)區(qū)分干層，油層、含油水層和水層響應(yīng)范圍重疊，很難識(shí)別?？梢?，對(duì)于長(zhǎng)9致密砂巖儲(chǔ)層，測(cè)井曲線所反映儲(chǔ)層流體差異性非常微弱，對(duì)流體類型指示規(guī)律不強(qiáng)，依據(jù)常規(guī)測(cè)井交會(huì)圖和基于不同參數(shù)“距離”差異等方法識(shí)別流體效果不理想。

Hopfield網(wǎng)絡(luò)常用于儲(chǔ)存一個(gè)或多個(gè)穩(wěn)定的目標(biāo)向量，當(dāng)給定網(wǎng)絡(luò)一個(gè)初始條件時(shí)，網(wǎng)絡(luò)最后會(huì)在這樣的點(diǎn)上穩(wěn)定下來(lái)。假如巧妙設(shè)計(jì)能表示流體信息向量作為Hopfield網(wǎng)絡(luò)的目標(biāo)向量，這時(shí)所反映流體類型的信息向量都會(huì)很快收斂于目標(biāo)向量處，流體信息差異性就會(huì)被放大，從而能有效識(shí)別流體。對(duì)于致密砂巖復(fù)雜儲(chǔ)層流體識(shí)別，其核心是要設(shè)計(jì)出能反映流體信息的目標(biāo)向量。

2.2 樣本數(shù)據(jù)選取

首先根據(jù)試油結(jié)果的統(tǒng)計(jì)資料，選取樣本數(shù)據(jù)用于設(shè)計(jì)流體分類指標(biāo)。本文統(tǒng)計(jì)了鎮(zhèn)涇油田長(zhǎng)9儲(chǔ)層16口井450個(gè)樣本數(shù)據(jù)。

定義xij作為該區(qū)測(cè)井?dāng)?shù)據(jù)，i（i＝1，2，…，n）表示該數(shù)據(jù)為第i個(gè)樣本，j為測(cè)井屬性索引值（j＝1，2，3，4，5，分表代表GR、RILd、AC、CNL和DEN）。

考慮樣本在整個(gè)研究區(qū)的適用性以及資料獲取時(shí)不可避免的系統(tǒng)誤差，需要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。如式（7）所示，歸一化處理后，新的樣本數(shù)據(jù)將分布在－1～1之間，整合后的樣本輸入單元為Ti。

2.3 分類指標(biāo)編碼

對(duì)每個(gè)測(cè)井屬性，取其正態(tài)分布域內(nèi)未重疊區(qū)域的統(tǒng)計(jì)平均值，作為該流體類型相應(yīng)的測(cè)井屬性的一個(gè)節(jié)點(diǎn)。據(jù)此，組合所有上述設(shè)計(jì)的節(jié)點(diǎn)，就建立起了研究區(qū)流體類型指標(biāo)，油層、油水同層、含油水層、水層和干層相應(yīng)的測(cè)井分類指標(biāo)見表1。

根據(jù)表1所示的流體類型指標(biāo)，將測(cè)井?dāng)?shù)據(jù)的流體分類指標(biāo)映射為DHNN的目標(biāo)向量，將其進(jìn)行編碼，編碼規(guī)則以每個(gè)屬性大于或等于該分類指標(biāo)值減去相鄰值距離的半值時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)值為1，否則為－1。用編碼后的分類流體指標(biāo)訓(xùn)練DHNN，網(wǎng)絡(luò)利用其聯(lián)想記憶的能力逐漸趨近于某個(gè)儲(chǔ)存的平衡點(diǎn)，以此創(chuàng)建DHNN。當(dāng)網(wǎng)絡(luò)狀態(tài)不再改變時(shí)，此時(shí)的平衡點(diǎn)所對(duì)應(yīng)的編碼矩陣便是待求的分類指標(biāo)。

每一深度點(diǎn)上的測(cè)井?dāng)?shù)據(jù)包含5類測(cè)井屬性（GR、RILd、AC、CNL和DEN），而可能被識(shí)別的流體類型有5種（油、油水同層、含油水層、水層和干層），得到的每一類型流體的指標(biāo)編碼矩陣為5×5維二值矩陣（見表2）。

每一個(gè)流體類型的分類指標(biāo)編碼可以理解為編碼矩陣的每一行，對(duì)應(yīng)測(cè)井?dāng)?shù)據(jù)的一個(gè)屬性值在5種流體類型（油、油水同層、含油水層、水層和干層）所代表的空間軸上的映射；編碼矩陣的每一列對(duì)應(yīng)每一種流體類型對(duì)應(yīng)5種測(cè)井屬性（GR、RILd、AC、CNL和DEN）各自的狀態(tài)值。因此，不同流體類型對(duì)應(yīng)不同測(cè)井屬性狀態(tài)值的組合，能夠編譯成不同的編碼矩陣，依此可以作為流體類型的指示信息。

圖2 流體測(cè)井響應(yīng)特征

表1 研究區(qū)儲(chǔ)層流體類型及其測(cè)井分類指標(biāo)

表2 研究區(qū)儲(chǔ)層流體指標(biāo)編碼

2.4 流體識(shí)別處理流程

基于DHNN的流體識(shí)別的實(shí)質(zhì)是利用Hopfield網(wǎng)絡(luò)強(qiáng)大的存儲(chǔ)記憶能力和在平衡態(tài)極強(qiáng)的收斂性對(duì)流體信息編碼進(jìn)行聚類分析。因此，首先要考慮DHNN對(duì)不同種流體信息的網(wǎng)絡(luò)平衡態(tài)設(shè)計(jì)。本文流體信息是以編碼矩陣的形式反映不同流體。

整個(gè)工作流程如圖3所示，分為2個(gè)階段：第1階段（圖3中點(diǎn)線框所示）由研究區(qū)流體樣本創(chuàng)建DHNN；第2階段（圖3中雙實(shí)線框所示）利用DHNN進(jìn)行儲(chǔ)層流體識(shí)別。

流程的具體實(shí)現(xiàn)步驟。

（1）DHNN創(chuàng)建。流體分類指標(biāo)設(shè)計(jì)。在歸一化樣本數(shù)據(jù)基礎(chǔ)上，統(tǒng)計(jì)該地區(qū)的測(cè)井屬性正態(tài)分布規(guī)律，作為流體類型分類指標(biāo)編碼設(shè)計(jì)的依據(jù)。

分類指標(biāo)編碼實(shí)現(xiàn)。對(duì)流體分類指標(biāo)進(jìn)行編碼，編碼規(guī)則為以每個(gè)屬性大于或等于該分類指標(biāo)值減去相鄰值間距離的半值時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)值為1，否則為－1。以此設(shè)計(jì)為Hopfield網(wǎng)絡(luò)的平衡點(diǎn)。

創(chuàng)建DHNN。根據(jù)上述Hopfield網(wǎng)絡(luò)算法原理，采用權(quán)值修正學(xué)習(xí)方法，訓(xùn)練網(wǎng)絡(luò)，使分類指標(biāo)編碼值作為網(wǎng)絡(luò)平衡點(diǎn)儲(chǔ)存下來(lái)。在訓(xùn)練中，可選取適度較大的訓(xùn)練次數(shù)，保證迭代后權(quán)值矩陣為對(duì)稱矩陣，網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)。

（2）儲(chǔ)層流體識(shí)別。預(yù)測(cè)樣本編碼。預(yù)測(cè)樣本歸一化處理后，進(jìn)行信息編碼。對(duì)編碼后的信息加入特定的噪聲，以消除數(shù)據(jù)間的耦合性。

儲(chǔ)層流體識(shí)別。預(yù)測(cè)樣本編碼經(jīng)過DHNN仿真，得到能夠反映流體類型的編碼信息矩陣。該編碼信息經(jīng)過與分類指標(biāo)編碼作相似度匹配，得到流體分類結(jié)果。

圖3 流體識(shí)別處理流程

3 預(yù)測(cè)結(jié)果與分析

取研究區(qū)測(cè)井屬性GR、RILd、AC、CNL、DEN作為流體識(shí)別的輸入樣本。根據(jù)網(wǎng)絡(luò)最終輸出的流體編碼信息，識(shí)別結(jié)果被刻度為1～5的數(shù)字索引值：1表示油層，2表示油水同層，3表示含油水層，4表示水層，5表示干層。依據(jù)索引值含義，數(shù)值越小表示含油性越高，數(shù)值越大含水性越高，如圖4第6道（流體性質(zhì)分析）流體指示曲線Fluid所示。

針對(duì)研究區(qū)4口井的測(cè)井?dāng)?shù)據(jù)，給出測(cè)井響應(yīng)分析和流體識(shí)別結(jié)果（見圖4、表3）。

圖4 研究區(qū)儲(chǔ)層流體識(shí)別結(jié)果

HH42－3井電阻率較高，接近20Ω·m，密度大于2.48g／cm3，聲波時(shí)差220～240μs／m，補(bǔ)償中子值低；孔隙度小，滲透率低。在2 042.4～2 047.86m井段網(wǎng)絡(luò)解釋的Fluid指示曲線值偏大，接近3，顯示含油性最低，識(shí)別為含油水層；2 049.6～2 056.3m井段網(wǎng)絡(luò)解釋的Fluid指示曲線值為3，解釋為含油水層。試油資料顯示，該井2 050～2 054m井段日產(chǎn)液1.84t，其中油0.31t、水1.53t，日產(chǎn)油占日產(chǎn)液的16.85%，為含油水層，驗(yàn)證了本文方法解釋結(jié)果。

HH52井電阻率較低，為10～15Ω·m，密度小于2.40g／cm3，聲波時(shí)差低，補(bǔ)償中子值低；孔隙度較大，達(dá)到10%～30%。在1 817～1 826.6m井段網(wǎng)絡(luò)解釋的Fluid指示曲線值偏大，接近4，顯示含油性最低，解釋為水層；1 833～1 840m井段網(wǎng)絡(luò)解釋的Fluid指示曲線值為1，表示最大含油性，解釋為油層。1 833～1 840m層段試油資料顯示，日產(chǎn)液18.00t，其中油17.6t、水0.40t，日產(chǎn)油占日產(chǎn)液的97.78%，為油層，驗(yàn)證了上述解釋結(jié)果。

HH54井自然伽馬低，電阻率大于15Ω·m，密度大于2.45g／cm3，聲波時(shí)差小，補(bǔ)償密度大，滲透率很低。在2 178～2 180.9m井段網(wǎng)絡(luò)解釋的Fluid指示曲線值尖峰狀，偏大，接近4，顯示含油性最低，解釋為水層；2 195.5～2 199.3m井段網(wǎng)絡(luò)解釋的Fluid指示曲線均值接近2，表示有一定的含水性，解釋為油水同層。結(jié)合該井試油資料，2 178～2 180m井段日產(chǎn)液2.10t，其中油0t、水2.10t，日產(chǎn)水占日產(chǎn)液的100%，為水層，與本文方法結(jié)論一致。

HH55井自然伽馬高，電阻率高，密度高，聲波時(shí)差平穩(wěn)，補(bǔ)償中子高。在2 087.1～2 091.8m、2 096.4～2 099.9m和2 102.6～2 107.5m井段網(wǎng)絡(luò)預(yù)測(cè)的Fluid指示曲線值為4，顯示較高的含油性，識(shí)別為油水同層；2 108.9～2 110.3m井段網(wǎng)絡(luò)預(yù)測(cè)的Fluid指示曲線值為3，解釋結(jié)論為含油水層。該井試油資料顯示，2 089.5～2 091.5m和2 104～2 107m井段日產(chǎn)液12.44t，其中油9.86t、水2.55t，產(chǎn)油占日產(chǎn)液的79.50%，為油水同層，驗(yàn)證了上述結(jié)論。

表3 研究區(qū)儲(chǔ)層流體識(shí)別結(jié)果統(tǒng)計(jì)

4 結(jié) 論

（1）該方法利用測(cè)井資料成功地解決了致密砂巖儲(chǔ)層流體識(shí)別難題，流體預(yù)測(cè)結(jié)果得到了試油資料的驗(yàn)證，流體識(shí)別結(jié)果精度高。

（2）利用流體信息編碼的方式反映流體類型，可擴(kuò)展性強(qiáng)，可適用其他類型的儲(chǔ)層流體識(shí)別。

（3）基于DHNN穩(wěn)態(tài)收斂性原理進(jìn)行流體識(shí)別的方法，繼承了Hopfield網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、收斂速度快的特點(diǎn)，而且網(wǎng)絡(luò)不需要人為額外選則參數(shù)，自適應(yīng)能力強(qiáng)。在低信噪比樣本的流體識(shí)別中仍能達(dá)到較高的收斂精度。

［1］ 梁麗梅，喻高明，黎明，等.神經(jīng)網(wǎng)絡(luò)交會(huì)圖在低阻油層流體識(shí)別中的應(yīng)用 ［J］.吐哈油氣，2011，16（2）：178－181.

［2］ 胡春濤，劉文碧，李德發(fā).SOM神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層流體識(shí)別中的應(yīng)用 ［J］.成都理工學(xué)院學(xué)報(bào)，1996，23（S1）：29－34.

［3］ 蔣煉，賀振華，黃德濟(jì)，等.M分類法在儲(chǔ)層流體識(shí)別中的應(yīng)用 ［J］.測(cè)井技術(shù)，2010，34（4）：356－359.

［4］ 張銀德，童凱軍，鄭軍，等.支持向量機(jī)方法在低阻油層流體識(shí)別中的應(yīng)用 ［J］.石油物探，2008，47（3）：306－310.

［5］ 侯媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò) ［M］.西安：西安電子科技大學(xué)出版社，2007.

［6］ 傅薈璇，趙紅.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì) ［M］.北京：機(jī)械工業(yè)出版社，2010.

［7］ 劉權(quán)，官建成.神經(jīng)網(wǎng)絡(luò)在R＆D項(xiàng)目中止決策中的應(yīng)用 ［J］.北京航空航天大學(xué)學(xué)報(bào)，2000，26（4）：461－464.

［8］ Kamgar Parsi B.On Problem Solving with Hopfield Neural Networks［J］.Biological Cybernetics，1990，62（5）：415－423.