信息綜合與有利度計(jì)算

1、信息綜合與有利度計(jì)算第1頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一第二節(jié) 信息綜合與有利度計(jì)算模型第2頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 建模的基本方法知識(shí)驅(qū)動(dòng) (無(wú)須訓(xùn)練區(qū)（點(diǎn)）)專(zhuān)家系統(tǒng)模型參數(shù)由專(zhuān)家確定模糊邏輯法數(shù)據(jù)驅(qū)動(dòng) (必須有訓(xùn)練區(qū)（點(diǎn)）)統(tǒng)計(jì)方法根據(jù)訓(xùn)練區(qū)計(jì)算確定模型參數(shù)證據(jù)權(quán)法, 特征分析，邏輯回歸, 神經(jīng)網(wǎng)絡(luò), 分形方法第3頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一礦產(chǎn)資源區(qū)域評(píng)價(jià)數(shù)學(xué)模型 礦產(chǎn)資源評(píng)價(jià)所涉及的大致有以下幾種數(shù)學(xué)模型：統(tǒng)計(jì)模型：特別是多元統(tǒng)計(jì)模型，如因子分析、對(duì)應(yīng)分析、判別分析 、回歸分析、典型相關(guān)分析等。利用這類(lèi)模型

2、，可對(duì)用于評(píng)價(jià)的數(shù)據(jù)從各個(gè)角度進(jìn)行統(tǒng)計(jì)分析。除對(duì)連續(xù)型變量進(jìn)行分析外。多半還有其離散分支。 純代數(shù)模型：如特征分析 、主成分分析、聚類(lèi)分析、趨勢(shì)分析、邏輯信息法等 這類(lèi)模型僅立足于矩陣元算，一般無(wú)統(tǒng)計(jì)能力。 其他數(shù)學(xué)模型：如立足于圖論、模糊集、數(shù)字濾波、信息論等數(shù)學(xué)分支的數(shù)學(xué)模型。這類(lèi)模型有時(shí)也含有統(tǒng)計(jì)概念。專(zhuān)家系統(tǒng)模型：其數(shù)學(xué)支持主要是邏輯數(shù)學(xué)模型，用于系統(tǒng)的知識(shí)表達(dá)與推理過(guò)程，其中也會(huì)使用到廣泛的數(shù)學(xué)模型，如統(tǒng)計(jì)模型、模糊集、人工神經(jīng)網(wǎng)絡(luò)等。礦產(chǎn)資源潛力評(píng)價(jià)指南，地調(diào)局2001.5 附件三第4頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一礦產(chǎn)資源區(qū)域評(píng)價(jià)數(shù)學(xué)模型 礦產(chǎn)資源評(píng)價(jià)需要解

3、決三個(gè)問(wèn)題：1）評(píng)價(jià)的數(shù)學(xué)模型要立足于數(shù)據(jù)的空間相關(guān)性；2）系統(tǒng)要能直接調(diào)用和操作空間圖形；3）評(píng)價(jià)系統(tǒng)要以數(shù)據(jù)管理為核心，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)。GIS的應(yīng)用，使后面兩個(gè)問(wèn)題的解決成為可能。礦產(chǎn)資源潛力評(píng)價(jià)指南，地調(diào)局2001.5 附件三第5頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 建模的基本步驟 數(shù)據(jù)處理原始數(shù)據(jù)圖件綜合預(yù)測(cè)結(jié)果權(quán)重計(jì)算優(yōu)化 “ 模型 ”第6頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一信息綜合方法證據(jù)權(quán)法信息量法BP神經(jīng)網(wǎng)絡(luò)ART神經(jīng)網(wǎng)絡(luò)特征分析法邏輯回歸*模糊邏輯*第7頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 證據(jù)權(quán)法（Weights

4、 of Evidence）是一種定量評(píng)價(jià)方法，它最初用于醫(yī)療診斷；20世紀(jì)80年代末，加拿大地調(diào)所Frits Agterberg 和 Graeme Bonham-Carter將該方法引入到GIS支持下的礦產(chǎn)資源潛力評(píng)價(jià)中。其基本過(guò)程是：將每一種地學(xué)信息視為成礦預(yù)測(cè)的一個(gè)證據(jù)因子；通過(guò)分析，計(jì)算出每一個(gè)證據(jù)因子對(duì)成礦貢獻(xiàn)的權(quán)重值；最終對(duì)各證據(jù)因子加權(quán)求和，得出成礦有利度值，從而對(duì)礦產(chǎn)遠(yuǎn)景區(qū)進(jìn)行定位預(yù)測(cè)。第8頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 假設(shè)研究區(qū)被劃分成面積相等的個(gè)單元，其中有個(gè)單元為有礦單元。則隨機(jī)選取一個(gè)單元有礦的概率是：（）/T 則先驗(yàn)幾率： O（D）=

5、（）/（1-（）=D/（T - D）對(duì)于任意一個(gè)證據(jù)因子，其權(quán)重定義為：（）/（）（）/（） 為因子存在區(qū)的單元數(shù)；為因子不存在區(qū)的單元數(shù)，表示有礦，表示無(wú)礦、分別為證據(jù)因子存在區(qū)和不存在區(qū)的權(quán)重值（即成礦關(guān)聯(lián)度），對(duì)于原始數(shù)據(jù)缺失區(qū)域權(quán)重值為。定義關(guān)聯(lián)度顯著性指標(biāo)C為：C = W + - W -第9頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 證據(jù)權(quán)重法要求各證據(jù)因子之間相對(duì)于礦點(diǎn)分布滿(mǎn)足條件獨(dú)立。對(duì)于個(gè)證據(jù)因子，若它們都關(guān)于礦點(diǎn)條件獨(dú)立，則研究區(qū)內(nèi)任一單元為有礦的后驗(yàn)幾率為： 由此可得出研究區(qū)內(nèi)任一單元為有礦單元的后驗(yàn)概率為：（）最后根據(jù)后驗(yàn)概率圈出找礦遠(yuǎn)景區(qū)。 第10

6、頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 工作步驟各類(lèi)圖件證據(jù)層面積計(jì)算點(diǎn)-區(qū)分析點(diǎn)-線(xiàn)分析礦點(diǎn)密度分析權(quán)重計(jì)算W+ & W-根據(jù)C值進(jìn)行優(yōu)化 證據(jù)加權(quán)求和先驗(yàn)概率成礦有利度后驗(yàn)概率 第11頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 工作步驟-1、權(quán)重計(jì)算研究區(qū)某類(lèi)地層落在該地層上的的礦點(diǎn)數(shù)不落在該地層的礦點(diǎn)數(shù)出露該地層的面積未出露該地層的面積 第12頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 工作步驟-1、權(quán)重計(jì)算 1 50 7 0.7 / 0.5 = 1.4ln(1.4) = +0.33 2 50 3 0.3 / 0.5

7、= 0.6ln(0.6) = -0.51Total100 10= 礦床點(diǎn)21某類(lèi)地層不存在某類(lèi)地層存在類(lèi)別 面積 礦點(diǎn)數(shù) 礦點(diǎn)面積權(quán)重第13頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 工作步驟-1、權(quán)重計(jì)算 1 Missing Data (25) 3 - 0.0 2 60 3 0.3 / 0.60 = 0.5ln(0.5) =-0.69 3 15 40.4 / 0.15 = 2.7ln(2.7) =+0.98Total 75 10123= 礦床點(diǎn)類(lèi)別 面積 礦點(diǎn)數(shù) 礦點(diǎn)面積權(quán)重第14頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 工作步驟-2、權(quán)重優(yōu)化0

8、.00.51.01.52.02.53.0012345678910顯著度曲線(xiàn)C證據(jù)存在證據(jù)不存在斷層BUFFER距離或物化探異常范圍第15頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 工作步驟-3、證據(jù)加權(quán)求和w+w+w+w-w-w-圖層加權(quán)有利度圖最小有利度 最大有利度第16頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 證據(jù)權(quán)法 工作步驟-3、證據(jù)加權(quán)求和 證據(jù)層1 證據(jù)層2加權(quán)和 A 1 1 0.33+0.0 =+0.33 B 1 2 0.33-0.69 =-0.36 C 1 3 0.33+0.98 =+1.31 E 2 2 -0.51-0.69 =-1.20A

9、BCE21+13=證據(jù)層1證據(jù)層2圖層綜合2第17頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 信息量法 信息量計(jì)算法也屬于BAYES統(tǒng)計(jì)分析方法。其實(shí)質(zhì)是用信息量的大小來(lái)評(píng)價(jià)地質(zhì)因素、標(biāo)志與研究對(duì)象的關(guān)系密切程度。該方法應(yīng)用于區(qū)域礦產(chǎn)預(yù)測(cè)，是由維索科奧斯特羅夫斯卡婭（）及.恰金（）先后提出的。 其基本過(guò)程是：將每一種地學(xué)信息視為成礦預(yù)測(cè)的一個(gè)證據(jù)因子；通過(guò)分析，計(jì)算出每一個(gè)證據(jù)因子對(duì)成礦貢獻(xiàn)的權(quán)重值；最終對(duì)各證據(jù)因子加權(quán)求和，得出成礦有利度值，從而對(duì)礦產(chǎn)遠(yuǎn)景區(qū)進(jìn)行定位預(yù)測(cè)。概述第18頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 信息量法 ln(（）/（）) 其中：為標(biāo)志j

10、狀態(tài)提供事件（有礦）發(fā)生的信息量 （）為標(biāo)志j狀態(tài)存在條件下事件實(shí)現(xiàn)的概率 （）為事件發(fā)生的概率。 根據(jù)概率乘法定理，上式可變?yōu)椋簂n(（）（）)具體計(jì)算時(shí)，總體概率用樣本頻率來(lái)估計(jì)：ln(（）（）)ln()/() 其中：為具有標(biāo)志值的含礦單元數(shù)； 為研究區(qū)中含礦單元總數(shù)； 為具有標(biāo)志值的單元數(shù)； 為研究區(qū)單元總數(shù)。公式第19頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 信息量法 www000圖層加權(quán)有利度圖最小有利度 最大有利度第20頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 信息量法 計(jì)算步驟是：1）選擇參與運(yùn)算的變量集與研究對(duì)象2）計(jì)算各地質(zhì)因素、找礦標(biāo)志所提供的找

11、礦信息量，定量地評(píng)價(jià)各地質(zhì)因素和標(biāo)志對(duì)指導(dǎo)找礦的作用；2）計(jì)算每個(gè)單元中各標(biāo)志信息量的總和，其大小反映了該單元相對(duì)的找礦意義，用以評(píng)價(jià)找礦遠(yuǎn)景區(qū)進(jìn)行預(yù)測(cè)。 第21頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 特征分析法 特征分析(Botbol，1971)是一種多元統(tǒng)計(jì)分析方法。在礦產(chǎn)資源定位預(yù)測(cè)中，常采用它來(lái)圈定預(yù)測(cè)遠(yuǎn)景區(qū)。原理:通過(guò)研究模型單元的控礦變量特征，查明變量之間的內(nèi)在聯(lián)系，確定各個(gè)地質(zhì)變量的成礦和找礦意義，建立起某種類(lèi)型礦產(chǎn)資源體的成礦有利度類(lèi)比模型。然后將模型應(yīng)用到預(yù)測(cè)區(qū)，將預(yù)測(cè)單元與模型單元的各種特征進(jìn)行類(lèi)比，用它們的相似程度表示預(yù)測(cè)單元的成礦有利度，并據(jù)此圈定出有利

12、成礦的遠(yuǎn)景區(qū)。特征分析方法要求自變量必須是二態(tài)或三態(tài)變量。第22頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 特征分析法 設(shè)有n個(gè)取樣單元（已知樣品）， m個(gè)地質(zhì)變量, 第j個(gè)變量在第i個(gè)單元上的取值為xij，yi為第i個(gè)單元的成礦有利度，設(shè)它們之間滿(mǎn)足如下線(xiàn)性關(guān)系： YXA 其中aj（j=1,2,m）就是變量的權(quán)系數(shù)，它反映了第j個(gè)變量的重要性。數(shù)學(xué)模型 第23頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 特征分析法 關(guān)鍵問(wèn)題是如何確定變量權(quán)aj 。這通常有三種方法：1）平方和法2）乘積矩陣主分量法求乘積矩陣的特征值與特征向量,其中最大特征值所對(duì)應(yīng)的特征向量作為變量權(quán)系數(shù)

13、 3）概率矩陣主分量法數(shù)學(xué)模型 第24頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一BP人工神經(jīng)網(wǎng)絡(luò)-黑箱第25頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一有導(dǎo)師引導(dǎo)學(xué)習(xí)訓(xùn)練 第26頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)與學(xué)習(xí)算法 一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)由三層構(gòu)成，即：輸入層，隱含層（或者稱(chēng)中間層,由一層或多層組成）和輸出層，各階層之間實(shí)行全互連接方式.。 分導(dǎo)師知識(shí)學(xué)習(xí)訓(xùn)練和模式識(shí)別決策兩個(gè)過(guò)程,導(dǎo)師知識(shí)學(xué)習(xí)訓(xùn)練過(guò)程歸結(jié)起來(lái)又分為:模式順傳播誤差逆?zhèn)鞑?導(dǎo)師知識(shí)記憶訓(xùn)練學(xué)習(xí)收斂4個(gè)步驟: 模式順傳播 誤差逆?zhèn)鞑?網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練

14、 全局誤差迭代收斂 第27頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 順傳過(guò)程 網(wǎng)絡(luò)初始化: 給各連接權(quán)Wij、 Wkp及閥值bk、p賦（-1，+1）間隨機(jī)值。 選取或建立用于網(wǎng)絡(luò)訓(xùn)練的示教學(xué)習(xí)模式對(duì)Ai=xi1,xi2,xim，Yi=yi1,yi2,yip 提供給網(wǎng)絡(luò). 1 1 1 1 1.000 示教模式對(duì)1 1 1 1 0 0.750 示教模式對(duì)2 1 1 0 1 0.750 示教模式對(duì)3 1 0 1 1 0.750 示教模式對(duì)4 0 1 1 1 0.750 示教模式對(duì)5 1 1 0 0 0.500 示教模式對(duì)6 1 0 0 1 0.500 示教模式對(duì)7 0 1 1 0 0.

15、500 示教模式對(duì)8 0 0 1 1 0.500 示教模式對(duì)9 1 0 0 0 0.250 示教模式對(duì)10 0 1 0 0 0.250 示教模式對(duì)11 0 0 1 0 0.250 示教模式對(duì)12 0 0 0 1 0.250 示教模式對(duì)13 0 0 0 0 0.000 示教模式對(duì)14 第28頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 第29頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 第30頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 第31頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一第32頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一 第33頁(yè)

16、，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一第34頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一ART神經(jīng)網(wǎng)絡(luò)競(jìng)爭(zhēng)型網(wǎng)絡(luò) ART神經(jīng)網(wǎng)絡(luò)模型 （1）競(jìng)爭(zhēng)型網(wǎng)絡(luò)與模式分類(lèi) 競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)是一種以無(wú)導(dǎo)師示教方式進(jìn)行訓(xùn)練的網(wǎng)絡(luò)。只給網(wǎng)絡(luò)提供一些學(xué)習(xí)樣本，而不提供相應(yīng)的希望輸出模式。網(wǎng)絡(luò)通過(guò)自身的訓(xùn)練，自動(dòng)對(duì)輸入樣本進(jìn)行分類(lèi)。 競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)經(jīng)常作為基本的網(wǎng)絡(luò)形式，構(gòu)成其它一些具有自組織能力的網(wǎng)絡(luò)。 具有代表性的有：自適應(yīng)共振理論（Adaptive Resonance TheoryART）自組織特征映射（Self-Organizing Feature MapSOM）對(duì)向傳播（Count

17、er PropagationCP）網(wǎng)絡(luò)等。 第35頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一二、主要模型與基本算法(2)競(jìng)爭(zhēng)型網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)算法 第36頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一二、主要模型與基本算法 （3）競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)常用分類(lèi)算法 第37頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一二、主要模型與基本算法（4）ART神經(jīng)網(wǎng)絡(luò)模型 自適應(yīng)共振(Adaptive Resonance Theory，簡(jiǎn)寫(xiě)為ART)是一種無(wú)導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)，由美國(guó)Boston大學(xué)的格羅斯伯格（Stephen Grossberg）1976年提出來(lái)的，實(shí)際上是一種依據(jù)特征參數(shù)

18、對(duì)樣本歸類(lèi)的網(wǎng)絡(luò)分類(lèi)器這一理論充分利用了生物神經(jīng)細(xì)胞之間自興奮與側(cè)抑制的動(dòng)力學(xué)原理，讓輸入模式通過(guò)網(wǎng)絡(luò)雙向連接權(quán)的識(shí)別與比較，達(dá)到共振來(lái)完成對(duì)自身的記憶，并以同樣的方法實(shí)現(xiàn)網(wǎng)絡(luò)回想。當(dāng)提供給網(wǎng)絡(luò)回想的是一個(gè)網(wǎng)絡(luò)中已輸出向量 Bk=(b1k, b2k, bmk) 輸出中已記憶的、或者是與已記憶的模式十分相似的模式時(shí)，網(wǎng)絡(luò)會(huì)把這個(gè)模式回想出來(lái)，提出正確的分類(lèi)。 如果提供給網(wǎng)絡(luò)回想的是一個(gè)網(wǎng)絡(luò)記憶中不存在的模式，則網(wǎng)絡(luò)將在不影響已有記憶的前提下，將這一模式記憶下來(lái)，并將分配給一個(gè)新的分類(lèi)單元作為這一記憶模式的分類(lèi)標(biāo)志。第38頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一二、主要模型與基本算法 （5）ART神經(jīng)網(wǎng)絡(luò)模型第39頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一二、主要模型與基本算法 第40頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一二、主要模型與基本算法 第41頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一二、主要模型與基本算法 第42頁(yè)，共43頁(yè)，2022年，5月20日，1點(diǎn)9分，星期一