隐伏矿定位预测数字模型评价系统

论文摘要

随着找矿主体对象由地表矿、浅部矿、易识别矿向隐伏矿、深部矿、难识别矿的逐渐转变,寻找一种有效的隐伏矿定位预测的方法已经成为当前成矿学与成矿预测学的前沿与热点,同时随着现代计算机高新技术的迅猛发展,以往的通过以自然语言形式表达的描述性模型已经不能满足现代成矿预测的需要。为适应现代成矿资源定位预测新形势,提高预测效率,传统地利用描述性矿床模型进行成矿预测的变革势在必行。既要发挥传统描述性矿床模型应有作用,并直接将其应用于现代成矿资源定位预测中,就必须探索一种全新的矿床模型表达方式,以便既无损原始描述性矿床模型中的有用地质信息,又能实现与现代成矿资源定位预测高新技术平台的衔接。因此,数字模型评价系统是隐伏矿定位预测研究和发展的必然趋势。 数字模型评价系统通过将描述性矿床模型如地球物理、地球化学模型运用一定的理论知识进行数字化、知识化、表达成计算机可以直接识别和处理的数据、知识规则和符号形式,在计算机中建立起一个智能推理网络,实现成矿预测的知识化、数字化、智能化。 本论文针对隐伏矿成矿的非线性复杂性,利用神经网络与模糊数学理论知识与方法,基于会泽铅锌矿成矿背景建立了隐伏矿定位预测专家找矿辅助分析数字模型评价系统。该系统的建立包括三个网络模型:SOFMANN模型具有自适应、自组织、无导师地学习控矿多元信息的特点;FCA模型可以充分发挥专家及模糊数学在处理寻找隐伏矿床中所遇到的模糊现象、模糊行为的优势;BP模型是一种有导师的监督训练通过学习带有正确答案的实例集自动提取“合理的”求解规则,具有一定的推广能力、概括能力。该数字模型评价系统实现了隐伏矿的定位预测,总的有效率达70%以上。

论文目录

• 第一章 绪论
• 1.1 论文选题背景
• 1.2 神经网络理论和模糊数学特点
• 1.3 神经网络理论和模糊数学在隐伏矿预测中的研究现状
• 1.4 论文的主要工作
• 第二章 建立隐伏矿定位预测数字模型基础
• 2.1 神经网络（ANN）简介
• 2.2 模糊数学（FM）简介
• 2.3 会泽麒麟厂铅锌矿区成矿背景
• 2.3.1 区域地质概述
• 2.3.2 矿区地质概述
• 2.4 本章小结
• 第三章 隐伏矿定位预测模型的构造
• 3.1 隐伏矿定位预测的SOFMANN模型
• 3.1.1 选择SOFMANN模型进行隐伏矿定位预测的依据
• 3.1.2 SOFMANN的结构
• 3.1.3 SOFMANN的学习及工作规则
• 3.2 隐伏矿定位预测的FCA模型
• 3.2.1 选用FCA进行隐伏矿定位预测的依据
• 3.2.2 模糊综合评判的数学模型
• 3.2.3 多层次的模糊综合评判模型
• 3.2.4 确定权重的方法
• 3.3 隐伏矿定位预测的BP模型
• 3.3.1 选择BP模型进行隐伏矿定位预测的依据
• 3.3.2 BP结构
• 3.3.3 BP学习算法的步骤
• 3.3.4 改进的BP算法
• 3.4 本章小节
• 第四章 隐伏矿定位预测专家辅助分析系统实现
• 4.1 SOFMANN功能模块设计
• 4.1.1 功能
• 4.1.2 模块结构
• 4.1.3 SOFMANN程序预测流程
• 4.1.4 人工自组织主界面
• 4.2 FCA功能模块设计
• 4.2.1 功能及模块结构
• 4.2.2 模块结构
• 4.2.3 FCA预测程序流程图
• 4.2.4 模糊综合评判主界面
• 4.3 BP功能模块设计
• 4.3.1 BP功能
• 4.3.2 模块结构
• 4.3.3 BP网络预测程序流程
• 4.3.4 BP网络主界面
• 第五章 隐伏矿定位预测模型在会泽铅锌矿的应用
• 5.1 SOFMANN模型应用于云南省会泽麒麟厂铅锌矿区深部隐伏矿定位预测
• 5.1.1 预测区控矿多因素变量的选取
• 5.1.2 预测区控矿多因素数据的提取
• 5.1.3 SOFMANN的训练和预测结果及分析
• 5.1.4 SOFMANN模型应用总结
• 5.2 FCA模型应用于云南省会泽麒麟厂铅锌矿区深部隐伏矿定位预测
• 5.2.1 模糊评价因素和各因素评价集的确定
• 5.2.2 模糊评价因素权重的确定
• 5.2.3 对麒麟厂铅锌矿区深部1631中段评判及分析
• 5.3 BP模型应用于云南省会泽麒麟厂铅锌矿区深部隐伏矿定位预测
• 5.3.1 输入层神经元数、隐层神经元数及输出层神经元数的确定
• 5.3.2 优化的BP算法的训练和预测结果分析及其分布
• 5.3.3 BP网络及其优化算法应用总结
• 5.4 本章小结
• 总结
• 致谢
• 参考文献