- 1、本文档共7页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
资源评价空间综合分析方法
十、资源评价空间综合分析方法
(一)证据权法(WOEF)
证据权法是加拿大数学地质学家Agterberg提出的一种地学统计方法, 最初是基于二值图像的。它采用一种统计分析模式 ,通过对一些与矿产形成相关的地学信息的叠加复合分析来进行矿产远景区的预测。
其中的每一种地学信息都被视为成矿远景区预测的一个证据因子 ,而每一个证据因子对成矿预测的贡献是由这个因子的权重值来确定的。
1 前概估算
前概估算 ,即根据已知矿点分布 ,计算各证据因子单位区域内的成矿概率。
假设研究区被划分成总体面积为T个像元单位 ,其中有D个矿点 ,则随机选取一个像元单位是矿点的概率是P(D) =D/T。几率 (O)为 :
对于任一个证据因子二值图像 ,其存在区的像元数为B ,不存在区的像元数为, 则已知矿点图与证据因子图的重叠部分有 ,其条件概率分别为 :
也就是说 ,证据因子的前概估算是计算证据因子存在区域中矿点像元、非矿点像元所占的百分比。
2 权重计算
对任一个证据因子二值图像权重定义为 :
式中 ,W+、W-分别为证据因子存在区和不存在区的权重值 ,对于原始数据缺失区域权重值为 0。
3 后概计算
证据权重法要求各证据因子之间相对于矿点分布满足条件独立。对于n个证据因子 ,若它们都关于矿点条件独立 ,几率对数为 :
一个重要参数,反映矿产图层与某一地质特征图层的相关性:
C=W+ - W-
C的一个重要用途是在确定断层BUFFER最佳宽度、物化探异常强度临界值时作为一个判断标准,即要求C达到最大值。此外,若C=0, 表明证据层对有矿与无矿无指示意义;C0表示证据层的出现有利于成矿,C0表示证据层的出现不利于成矿.
此外, 证据权方差可有下式计算:
当地质特征状况不明时, 可计算多图层叠加后验概率的方差, 它代表由证据权的不确定性引起的方差.
证据权法(WOEF)成矿预测计算机实现过程
1 )选择矿点图层及同一研究区与成矿作用有关的证据因子专题图层 ;
2)提取矿点图层 ,划分网格 ;
3 )有哪些信誉好的足球投注网站含矿网格单元 ,生成含矿网格图层 ;
4)对于每一证据因子专题图层 ,提取有用的地质因素 ,生成新图层 ;
5)分别将各证据因子的专题图层与含矿网格图层相叠加 ,并进行前概及权重 (W+,W-)计算 ;
6)通过前概及权重 (W+,W-)值 ,筛选出最合理的证据因子专题图层 ,也就是最后参与计算的证据因子图层进行后概计算 ;
7)按后概计算的结果确定各级预测靶区。
例1:计算机辅助勘探
例2:Kanmantoo地槽勘探聚焦式矿产勘查
例3:扬子地台西缘金矿资源潜力评价实例《矿产资源潜力评价指南,地调局2001.5 附件三》
(二)人工神经网络方法
模式识别 (patternrecognition)是 50年代以来产生并得到迅速发展的一门新兴学科 ,它通过大量信息对复杂过程进行学习、判断和寻找规律。模式识别的数学方法中最重要的是统计决策方法 ,其基础是多元统计学、代数学、运筹学、模糊数学等 ,其中贝叶斯决策理论是统计模式识别中的经典理论与方法。近年来 ,迅速兴起的另一类模式识别方法是人工神经网络方法 (artificialneuralnetwork) ,它是由大量类似于人脑神经元的简单处理单元广泛相互联接而成的复杂的网络系统 ,是在现代生物神经研究成果的基础上提出的 ,反映了人脑功能的若干特征的系统。理论与实践表明 ,在信息处理方面 ,神经网络方法比传统模式识别方法更具有优势.
1 人工神经网络方法简介
1.1 反向误差传播网络
1 986年 ,Rumelhart和McClelland提出多层网络的“逆推”(或称“反传”backpropa gation)学习算法 ,简称BP算法。BP网络 (反向误差传播 )由输入层、隐含层和输出层 3部分组成。
BP算法是一种有监督的模式识别方法 ,包括学习和识别两部分 ,其中学习过程又可分为正向传播和反向传播两部分。正向传播开始时 ,对所有的连接权值置随机数作为初值 ,选取模式集的任一模式作为输入 ,转向隐含层处理 ,并在输出层得到与该模式对应的输出值。每一层神经元的状态只影响下一层神经元的状态。此时 ,输出值一般与期望值存在较大的误差 ,需要通过误差反向传递过程 ,计算模式的各层神经元权值的变化量ΔrWji。这个过程不断重复 ,直至完成对该模式集所有模式的计算 ,产生这一轮训练的权值改变量ΔWij。修正网络中各神经元的权值后 ,网络重新按照正向传播方式得到输出 ,实际输出值与期望值之间的误差又导致新一轮的权值修正。正向传播与反向传播过程循环往复 ,直到网络收敛 ,得到收敛后的互联权值和阈值。
在BP神经网络进行资源预测与评价时, 输出神经元组代表预测单元含矿性类型
文档评论(0)