BPNN 算法是一種基于經驗風險最小化的模式識別經典算法。在使用BPNN 算法的過程中，人們主要關心的是該算法對訓練樣本集的預測準確率，但是卻忽略了其推廣能力較差的缺點。本文通過實驗證明了BPNN 算法不適用于小樣本儲層預測。
        基本原理及實現步驟
        神經網絡是模擬生物神經網絡系統的特點而構成的計算模型。它具有自組織、自學習功能，能通過對大量外界事物的接觸進行自主學習并將學習結果保存，最后用于其它事物的鑒別上。由于前饋型神經網絡具有算法復雜、中間隱層不與外界連接的弊端，為解決這一問題，D.Rumelhart 和McClelland提出了一種反向傳播（Back-Propogation，BP）算法。
        該算法分為兩個階段：第一階段為正向傳播過程，輸入信息從輸入層經隱層逐層計算各單元的輸出值；第二階段為反向傳播過程，輸出誤差逐層向前算出隱層各單元的誤差，并用此誤差修正前層權值。典型的BP 神經網絡結構如圖所示。誤差反向傳播算法是最小均方算法的一種廣義形式，BP 算法使用梯度搜索技術，按代價函數最小的準則遞歸地求解網絡的權值，代價函數為網絡的實際輸出和期待輸出的均方誤差。
        在BP 神經網絡中，神經元是神經網絡的組成單元。在反向傳播算法中，通常采用梯度法修正權值，為此要求輸出函數可微，通常采用 函數作為輸出函數。標準BP 神經網絡算法采用了最速下降法作為訓練函數，但是最速下降法本身帶有收斂速度慢、容易進入局部最小等缺點，后來經過Hagan 等的改進， 把數值優化的Levenberg-Marquardt 訓練方法應用到神經網絡的訓練函數中，在很大程度上改進了神經網絡的收斂速度。算法實現步驟首先選定權系數初始值，通常選取較小的隨機數作為權值的初始值； 其次重復下列過程直至收斂（ 對各樣本依次計算）。參數選取隱層節點個數：當輸入節點個數為M 時， 隱層節點個數l≤2M+1。根據劉耦耕提出的隱層計算經驗公式：l=int(N(p-1))/(M+N+1)+α；l≤2M+1， 式中M為輸入層節點數，N 為輸出層節點個數，p 為訓練樣本個數，α 為1~10 之間的常數。步長η 對收斂性影響很大，而且對于不同的問題其最佳值相差也很大，通常可以在0.1~3 之間試探，對于較復雜的問題應采用較大的值。慣性項系數α 影響收斂速度，在很多問題中可以考慮在0.9~1 之間進行選擇，當α≥1 時不收斂，有些情況下也可不使用慣性項，即α=0。
        實驗結果及分析
        在利用模式識別方法進行儲層預測的過程中，神經網絡方法是最常用也是最傳統的方法。隨著人們對經驗風險最小化及結構風險最小化的認識逐步深入，經驗風險最小化并不能滿足人們對學習機外推效果的期望，神經網絡方法已經不再成為模式識別儲層預測的首選方法。
        實驗用于驗證BP 神經網絡在儲層預測中的泛化推廣能力。同時經過反復實驗，最后選定參數：步長η=0.5，慣性系數α=0.95，收斂誤差е=0.005。測井符合率預測外推結果。雖然BPNN 在訓練過程中收斂誤差較小（0.005），即BPNN 基本能夠記住每個訓練樣本的分類情況，但是在實際的泛化預測過程中的測井符合率僅為66.7%。
        這一結果說明，在訓練樣本較少的情況下，BPNN并不適用于儲層預測。對某區塊進行儲層預測外推， 區塊范圍為：Inline（350~900），Xline（550~920），典型 BP 神經網絡結構圖 顯然不適于小樣本。