人工神经网络的数学模型建立及成矿预测BP网络的实现
|
摘要
本文是在完成国家地质实验中心2002年基于GIS的多源地学信息整合处理技术算法设计子课题基础上完成的。主要研究人工神经网络数学模型和计算方法的计算机程序实现，为实现复杂地质信息的非线性整合处理提供技术支持。
人工神经网络(Artificial Neural Network，简称ANN)是一种大规模自适应非线性动力学系统，能实现非线性映射、模式识别、函数逼近、聚类分析、数据压缩、优化设计等功能，同时又具有很强的稳定性、收敛性、鲁棒性等良好性质，在各种信息处理领域有着广泛的应用。
地质工作中存在着大量的非线性问题，对地质勘探资料进行综合分析与分类，准确预测矿产资源的储量和分布等都涉及到多资料的整合处理，因此研制理想的非线性整合处理方法是非常必要的，而人工神经网络的一些良好特性，恰好能满足地质工作的需求，因此越来越多的人把研究工作的重点纷纷转向基于人工神经网络的非线性数学模型，以期更好地解决地学中的复杂问题。
目前，这方面的研究已有了部分成果，但大多只局限于应用一种固定的网络模型来解决某一具体的应用，还远远不能满足地质勘探的多种需求，本课题的研究目的就是要建立多种网络模型，并在算法实现过程中使其具有通用性，以满足各种应用的需要。
本文的具体工作首先是对人工神经网络的三种常用模型—Bp网、Hopfield网和Kohonen网的拓扑结构和学习算法进行了深入的研究，特别的还针对BP网引入RPROP(弹性BP)算法，对传统BP算法进行了改进；其次，本文论述了用Visual C++实现这几种网络的过程；文中还实现了BP网络的通用算法，建立了矿产资源综合评价及成矿预测BP模型，使用户可以自己创建、设计和管理成矿预测BP模型。
目前人工神经网络有三种常用网络模型：BP网、Hopfield网和Kohonen网。
BP网络(Back Propagation Networks，BP)是一种层状结构的前馈神经网络，具有非线性映射功能。由输入层、隐层和输出层组成，层内各神经元无连接，层间无反馈，信号沿同一方向从输入层经隐层传输至输出层。学习算法采用梯度搜索技术，使全局代价函数最小化，并据此调整连接权重，从而获取知识，并存储于层状网络的连接权中。它使网络具有知识结构严谨，推理机制高效和敏捷等特点。常用于进行函数逼近、模式分类、数据压缩等。
Hopfield网则是一种反馈网络，又称为自联想记忆网络，具有非线性动力学系统的许多优良特性。常见的结构为仅有一层神经元，各神经元间实现全反馈；其学习过程为设计一个网络，存储一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到所存储的某个平衡点上。此种网络主要用于联想记忆、模式分类、模式识别等。
Kohonen网是一种竞争式学习网络，它是模拟大脑神经系统的自组织特征
吉林大学硕士学位论文
瓢犷丙死可药而iion一瓦atur。Map)功能作为网络的学习方案，因此也称为
SOM网络。其拓扑结构为:一个输入层，一个输出层，输出层节点以二维形式
排成一个节点矩阵，输出节点之间可能实现局部连接，输入节点与输出层的所
有节点通过权值实现全互联;它的基本思想是网络竞争层神经元竞争对输入模
式的响应机会，最后仅有一个神经元成为胜利者，并对那些与获胜神经元有关
的各连接权朝着更有利于它竞争的方向调整，这一获胜神经元表示对输入模式
的分类。常用其进行无模式分类、聚类分析、优化设计等。
BP网是人工神经网络中应用最为广泛的网络模型，也是人们研究得最多的
一种模型，在最基本的误差逆传播学习算法的基础上，人们又陆续提出了各种
优化的算法，如基于全局速率调整的加入动量项、渐进自适应等方法和基于局
部学习速率调整的符号变换等方法，以满足不同应用的需求。本文针对地质勘
察资料数据的结构特点及其分类要求，对BP网进行了改进，使其更好的满足
在地学中的应用。对BP网的改进主要有以下几点:
1.引入弹性BP算法对网络权值和闽值进行自适应修正，以克服传统算法
中固有的学习收敛速度慢、容易陷入局部极小等问题。
2.对BP网来说，隐层节点数的选择对网络的性能影响很大，但如何选择
目前并没有理论的指导，也没有好的解析式来表示。数目过多会使学习时间变
长，数目过少会导致网络不强壮、识别能力差。为解决这一问题，我们在网络
结构上也进行了适当调整，如各层神经元数目在学习过程中可随意设定，隐含
层神经元的激活函数的类型也可自由选择，这样无论何种样本，通过多次调整
隐层神经元数目和改变激活函数的类型，总能找到一个最优(稳定)的网络模
型和最快的学习速度，提高了系统的通用性。
3.对输入样本进行归一化处理，使得过大或过小的样本输入值不至于令
神经元过于饱和或截止，而恰好能落在神经元转移函数梯度最大的那些区域，
保证学习能够收敛。
文中实现了BP网络的通用算法，建立了矿产资源综合评价及成矿预测BP
模型，从而可以对成矿信息进一步进行智能化知识发现和信息挖掘，自动评估
各地质变量对成矿的贡献，得到区域性的成矿规律和成矿模式，并圈定出成矿
靶区。并提供友好的人机交互式界面，使用户可以自己创建、设
This article was completed based on the accomplishment of the algorithm design sub-theme of the National Geologic Experiment Center's 2002 project of the multiplicate geologic information processing technology based on GIS.It mainly investigated the computer programming realization of the mathematic model and computation method of the artificial Neural Network, and thus provided technical support to the nonlinear conformity management of the complex geological information.
ANN( Artificial Neural Network) is a sort of large-scale self-adaptive nonlinear kinetic system, it can realize nonlinear mapping, mode identifying, function approximating, clustering analyzing, data compressing and design optimizing etc, and in the mean while, it has many favorable strong characters such as stability, astringency and robustness etc, so it has broad applications in data management area.
There are lots of nonlinear problems in geological working. The integrated analyzing and sorting toward geological proved data, the accurate forecasting of the reserves and distribution of the mine resource etc all come down to the multiple data conformity disposal. Therefore, it is vitally important to develop a perfect nonlinear conformity disposal method. However, some favorable characters of ANN can content these geological working demands perfectly, so more and more people alter one after another their working focus to the nonlinear mathematic model based on the ANN in order to resolve the complex problems in geology much better.
This kind of investigations have acquired some accomplishments at present, but much of these accomplishments were limited to resolve certain frondose application using certain fixed network model and were far from satisfying the multiple demands of geological proving. The purpose of this theme is to establish a multi-net-model and make it generally applicable during the arithmetic realization process to content all application demands.
This article firstly made a in-depth investigation toward the network topo-structure and studying arithmetic of the three models of the ANN- BP Network, Hopfield Network and Kohonen Network, especially induct the RPROP(Flexible BP) arithmetic aiming at BP Network and made a improvement toward traditional BP arithmetic. Secondly, it discussed the process of using Visual C++ to realize these networks; Finally,a BP model for metallogenic prognosis can be constructed as the general algorithm of BP network was programmed. Users can create, design and manage BP models for metallogenic prognosis by interacting with a computer through a user-friendly interface.
BP Network(Back Propagation Networks) is a kind of layer structured front-feed neural network with nonlinear mapping function. It is consisted of input layer, concealed layer and output layer, there is no connection between the nerve cells within the layers and no feedback between the layers, signals transfer along a same
direction from the input layer through the concealed layer to the output layer. Grades searching technology was adopted by the study arithmetic to minimize the public expense function and adjust the connection power by this, thus acquire knowledge and save into the connection power of the layer network. This endowed the network with the characters of preciseness knowledge structure and efficacious consequence mechanism. It was usually used to make function approaching, model sorting, data compressing etc.
Hopfield Network is a kind of feedback network also called self associative memory which many favorable characters of nonlinear dynamics system. Its usual structure only has one layer of nerve cell, the feedback between each nerve cell is entire. Its study process is design a network, save a group of balance point so that when giving a group of initial values, the network finally converge to a certain saved balance point by self execute. This network is used mainly in associative memorizing, mode sorting and mode identifying etc.
Kohonen Network is a kind of competitive study network, it simulate the Self-Or
人工神经网络(Artificial Neural Network，简称ANN)是一种大规模自适应非线性动力学系统，能实现非线性映射、模式识别、函数逼近、聚类分析、数据压缩、优化设计等功能，同时又具有很强的稳定性、收敛性、鲁棒性等良好性质，在各种信息处理领域有着广泛的应用。
地质工作中存在着大量的非线性问题，对地质勘探资料进行综合分析与分类，准确预测矿产资源的储量和分布等都涉及到多资料的整合处理，因此研制理想的非线性整合处理方法是非常必要的，而人工神经网络的一些良好特性，恰好能满足地质工作的需求，因此越来越多的人把研究工作的重点纷纷转向基于人工神经网络的非线性数学模型，以期更好地解决地学中的复杂问题。
目前，这方面的研究已有了部分成果，但大多只局限于应用一种固定的网络模型来解决某一具体的应用，还远远不能满足地质勘探的多种需求，本课题的研究目的就是要建立多种网络模型，并在算法实现过程中使其具有通用性，以满足各种应用的需要。
本文的具体工作首先是对人工神经网络的三种常用模型—Bp网、Hopfield网和Kohonen网的拓扑结构和学习算法进行了深入的研究，特别的还针对BP网引入RPROP(弹性BP)算法，对传统BP算法进行了改进；其次，本文论述了用Visual C++实现这几种网络的过程；文中还实现了BP网络的通用算法，建立了矿产资源综合评价及成矿预测BP模型，使用户可以自己创建、设计和管理成矿预测BP模型。
目前人工神经网络有三种常用网络模型：BP网、Hopfield网和Kohonen网。
BP网络(Back Propagation Networks，BP)是一种层状结构的前馈神经网络，具有非线性映射功能。由输入层、隐层和输出层组成，层内各神经元无连接，层间无反馈，信号沿同一方向从输入层经隐层传输至输出层。学习算法采用梯度搜索技术，使全局代价函数最小化，并据此调整连接权重，从而获取知识，并存储于层状网络的连接权中。它使网络具有知识结构严谨，推理机制高效和敏捷等特点。常用于进行函数逼近、模式分类、数据压缩等。
Hopfield网则是一种反馈网络，又称为自联想记忆网络，具有非线性动力学系统的许多优良特性。常见的结构为仅有一层神经元，各神经元间实现全反馈；其学习过程为设计一个网络，存储一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到所存储的某个平衡点上。此种网络主要用于联想记忆、模式分类、模式识别等。
Kohonen网是一种竞争式学习网络，它是模拟大脑神经系统的自组织特征
吉林大学硕士学位论文
瓢犷丙死可药而iion一瓦atur。Map)功能作为网络的学习方案，因此也称为
SOM网络。其拓扑结构为:一个输入层，一个输出层，输出层节点以二维形式
排成一个节点矩阵，输出节点之间可能实现局部连接，输入节点与输出层的所
有节点通过权值实现全互联;它的基本思想是网络竞争层神经元竞争对输入模
式的响应机会，最后仅有一个神经元成为胜利者，并对那些与获胜神经元有关
的各连接权朝着更有利于它竞争的方向调整，这一获胜神经元表示对输入模式
的分类。常用其进行无模式分类、聚类分析、优化设计等。
BP网是人工神经网络中应用最为广泛的网络模型，也是人们研究得最多的
一种模型，在最基本的误差逆传播学习算法的基础上，人们又陆续提出了各种
优化的算法，如基于全局速率调整的加入动量项、渐进自适应等方法和基于局
部学习速率调整的符号变换等方法，以满足不同应用的需求。本文针对地质勘
察资料数据的结构特点及其分类要求，对BP网进行了改进，使其更好的满足
在地学中的应用。对BP网的改进主要有以下几点:
1.引入弹性BP算法对网络权值和闽值进行自适应修正，以克服传统算法
中固有的学习收敛速度慢、容易陷入局部极小等问题。
2.对BP网来说，隐层节点数的选择对网络的性能影响很大，但如何选择
目前并没有理论的指导，也没有好的解析式来表示。数目过多会使学习时间变
长，数目过少会导致网络不强壮、识别能力差。为解决这一问题，我们在网络
结构上也进行了适当调整，如各层神经元数目在学习过程中可随意设定，隐含
层神经元的激活函数的类型也可自由选择，这样无论何种样本，通过多次调整
隐层神经元数目和改变激活函数的类型，总能找到一个最优(稳定)的网络模
型和最快的学习速度，提高了系统的通用性。
3.对输入样本进行归一化处理，使得过大或过小的样本输入值不至于令
神经元过于饱和或截止，而恰好能落在神经元转移函数梯度最大的那些区域，
保证学习能够收敛。
文中实现了BP网络的通用算法，建立了矿产资源综合评价及成矿预测BP
模型，从而可以对成矿信息进一步进行智能化知识发现和信息挖掘，自动评估
各地质变量对成矿的贡献，得到区域性的成矿规律和成矿模式，并圈定出成矿
靶区。并提供友好的人机交互式界面，使用户可以自己创建、设
This article was completed based on the accomplishment of the algorithm design sub-theme of the National Geologic Experiment Center's 2002 project of the multiplicate geologic information processing technology based on GIS.It mainly investigated the computer programming realization of the mathematic model and computation method of the artificial Neural Network, and thus provided technical support to the nonlinear conformity management of the complex geological information.
ANN( Artificial Neural Network) is a sort of large-scale self-adaptive nonlinear kinetic system, it can realize nonlinear mapping, mode identifying, function approximating, clustering analyzing, data compressing and design optimizing etc, and in the mean while, it has many favorable strong characters such as stability, astringency and robustness etc, so it has broad applications in data management area.
There are lots of nonlinear problems in geological working. The integrated analyzing and sorting toward geological proved data, the accurate forecasting of the reserves and distribution of the mine resource etc all come down to the multiple data conformity disposal. Therefore, it is vitally important to develop a perfect nonlinear conformity disposal method. However, some favorable characters of ANN can content these geological working demands perfectly, so more and more people alter one after another their working focus to the nonlinear mathematic model based on the ANN in order to resolve the complex problems in geology much better.
This kind of investigations have acquired some accomplishments at present, but much of these accomplishments were limited to resolve certain frondose application using certain fixed network model and were far from satisfying the multiple demands of geological proving. The purpose of this theme is to establish a multi-net-model and make it generally applicable during the arithmetic realization process to content all application demands.
This article firstly made a in-depth investigation toward the network topo-structure and studying arithmetic of the three models of the ANN- BP Network, Hopfield Network and Kohonen Network, especially induct the RPROP(Flexible BP) arithmetic aiming at BP Network and made a improvement toward traditional BP arithmetic. Secondly, it discussed the process of using Visual C++ to realize these networks; Finally,a BP model for metallogenic prognosis can be constructed as the general algorithm of BP network was programmed. Users can create, design and manage BP models for metallogenic prognosis by interacting with a computer through a user-friendly interface.
BP Network(Back Propagation Networks) is a kind of layer structured front-feed neural network with nonlinear mapping function. It is consisted of input layer, concealed layer and output layer, there is no connection between the nerve cells within the layers and no feedback between the layers, signals transfer along a same
direction from the input layer through the concealed layer to the output layer. Grades searching technology was adopted by the study arithmetic to minimize the public expense function and adjust the connection power by this, thus acquire knowledge and save into the connection power of the layer network. This endowed the network with the characters of preciseness knowledge structure and efficacious consequence mechanism. It was usually used to make function approaching, model sorting, data compressing etc.
Hopfield Network is a kind of feedback network also called self associative memory which many favorable characters of nonlinear dynamics system. Its usual structure only has one layer of nerve cell, the feedback between each nerve cell is entire. Its study process is design a network, save a group of balance point so that when giving a group of initial values, the network finally converge to a certain saved balance point by self execute. This network is used mainly in associative memorizing, mode sorting and mode identifying etc.
Kohonen Network is a kind of competitive study network, it simulate the Self-Or
引文
[1]．蔡煌东，陆文聪．自组织学习联想神经树在多金属成矿预测中的应用．华东地质学院学报，1995，18(4)：344-348
[2]．蔡煌东，杨兵，孙虹．自组织人工神经网络在多金属成矿预测中的应用．矿山地质，1995，16(1)：43-47
[3]．池顺都，赵鹏大．地质建造组合嫡异常与找矿有利地段圈定．现代地质，2000，14(4)：423-428
[4]．陈守余，周梅春．数据开采的BP神经网络方法及其应用地球科学—中国地质大学学报，1998，23(2)：183-187
[5]．迟国彬，李岩，丁暄等．基于GIS的矿产勘查综合预测方法研究．地球化学，1997．26(5)：91-99
[6]．迟国彬，李岩等．基于GIS的矿产勘查综合预测方法研究．中国地理信息系统协会第二届年会论文集，北京，1996，242-249
[7]．周春光，梁艳春．计算智能．长春：吉林大学出版社，2001．
[8]．李厚强，王宜生，刘政凯．一种适用于多类别遥感图象分类的新方法—复合神经网络分类方法．遥感学报，1997，1(4)：257-261
[9]．李师汤，王硕儒，干增慧，等．鲁东金矿与花岗岩关系的神经网络模式识别．青岛海洋，大学学报，1998，28(1)：142-148
[10]．李新中，徐振邦，曾凡刚．矿产资源量计算与预测效果评价的方法和程序．地质与勘探，1998，34(1)：38-44，64
[11]．李颖，范继璋．综合信息矿产预测计算机系统．长春科技大学学报，1999，29(4)：394-396
[12]．李颖，杨永强，范云芳．阿尔泰成矿区金矿预测图形库及属性库的建立方法．长春科技大学学报，2000，30(3)：293-295
[13]．李裕伟．GIS—实现地质工作现代化的工具．物深化探计算技术，1995，17(2)：76-79
[14]．刘聚海．矿产勘查中遥感技术应用综述．国土资源科技进展，2000，3：54-62
[15]．刘天佑，师学明，潘玉玲等．人工神经网络方法与鲁西金伯利岩物化探异常筛选．现代地质，1998，12(4)：598-602
[16]．刘荫椿，董晓辉，刘志杰．基于GIS的金矿多源地学信息复合处理及应用．黄金地质，1997．3(1)：63-66
[17]．吕新彪．人工神经网络在地球科学中的应用综述．地质科技情报，1996，15(3)：93-98
[18]．吕新彪，赵鹏大．定量成矿预测的人工神经网络模型．地球科学，1998，23(6)：620-623
[19]．马建文，阎积惠．地理信息系统及资源信息综合．北京：地质出版社，1994．
[20]．史继忠，刘欣然，马天寿．内蒙狼山地区矿产资源评价数据库系统建立和应用．河北地质学院学报，1991，14(2)：172-181
[21]．石松连．地理信息系统概述．物探化探计算技术，1995，17(1)：71-74
[22]．苏红旗，葛艳，刘冬林，等．基于GIS的证据权重法矿产预测系统(EWM)．地质与勘探，1999，35(1)：44-46
[23]．唐永成，曹静平，高章红．安徽东部地区金矿资源GIS评价．安徽地质，2000，10(2)：111—119
[24]．王大力．用人工神经网络作地质数据分析．石油物探，1994，33(4)：65-69
[25]．王桥，毛锋，吴纪桃．GIS中的地理信息综合．遥感学报，1998，2(2)：155-160
[26]．王润生等．地质勘查图像分折与综合．北京：地质出版社，1992
[27]．王世称，范继璋，杨永华．矿产资源评价．1990，长春：吉林科学技术出版社
[28]．王世称，成秋明，范继璋．金矿资源综合信息评价方法．1990，长春：吉林科学技术出版社
[29]．王于天．综合信息解译原理与矿产预测图编制方法．1989，长春：吉林大学出版社
[30]．王硕儒，赵举孝，范德江．自组织神经网络用于地质样品分类．物探与化探，1997，21(2)：139-144
[31]．王野乔．遥感及多源地理数据分类中的人工神经网络模型．地理科学，1997，17(2)：105—112
[32]．王自杰，赵鹏大．基于GIS的智能辅助矿产预测系统研究．现代地质，1997，11(3)：339，353
[33]．王自杰，赵鹏大，基于地质异常研究的矿产预测．华东地质学院学报，1996，19(2)：133—138
[34]．吴仲煌．GIS在矿产资源区域评价中的应用研究．国外地质科技，1998，3：1-8
[35]．向运川，任天样，杨竹溪．开发利用地理信息系统(GIS)综合分析地学信息进行矿产预测．物探与化探，1996，20(1)：1-13
[36]．肖克炎，张晓华，王四龙．矿产资源GIS评价系统—成矿预测方法通则之四．北京：地质出版社，2000
[37]．肖志坚．应用GIS进行矿产资源评价现状及技术方法研究方向．新疆地质，2000，18(2)：181—187
[38]．谢贤平，柴建设，董光煦．地质数据的BP网络分析方法．地质与勘探，1995，31(2)：38—42
[39]．杨文采，王宝珍．神经网络技术及其在物化探上的应用．物探化探计算技术，1994，16(4)：303-309
[40]．余生晨，叶水盛，刘光胜，王世称．利用地理信息系统(GIS)进行综合信息矿产资源预测．世界地质，1996，15(3)：92-96
[41]．张宝光．人工神经网络在遥感数字图象分类处理中的应用．国土资源遥感，1998，1：21-27
[42]．张建龙，游丽君，秦举礼，等．利用GIS空间分析功能进行矿产资源评价的方法研究．物探化探计算技术，1997，19(3)：283-286
[43]．张志华，朱章森，李儒兵．几种修正的自适应神经网络学习算法及其应用．地球科学—中国地质大学学报，1998，23(2)：179-182
[44]．朱家元，田松，张恒喜．基于Kohonen神经网络的数据流分布模式仿真识别．计算机
仿真．2002，2
[45]．刘祖润，曾酷昭，张志飞．人工神经网络快速学习算法．计算机仿真．2000，01
[46]．江虹，曾立波，胡继明．优化的BP神经网络分类器的设计与实现．计算机工程与应用．2001，05
[47]．宋锐，张静，夏胜平，郁文贤．一种基于BP神经网络群的自适应分类方法及其应用．电子学报．2001，01
[48]．艾玲梅．基于人工神经网络的智能信息处理．西安工业学院学报．2001，03
[49]．裴旭东，黄聪明．对象输入参数优化的人工神经网络方法．北京理工大学学报．2000．01
[50]．李晓峰，刘光中．人工神经网络BP算法的改进及其应用．四川大学学报(工程科学版)．2000．02
[51]．孙效功，王硕儒．人工神经网络在地质学判别分析中的应用．青岛海洋大学学报．1994，02
[52]．刘光中，李晓峰．人工神经网络BP算法的改进和结构的自调整．运筹学学报．2001，01
[53]．金一泓，赵振斌，袁渭康．基于人工神经网络的非线性拟合方法BP学习算法中各因素的影响．生物数学学报．1994，01
[54]．蔡煜东，杨兵，孙虹．自组织人工神经网络在多金属成矿预测中的应用．矿床地质．1994，02
[55]．蔡煜东，李伟，许伟杰．用自组织人工神经网络分类、识别矿物．西北地质科学．1994．02
[56]．杜环虹．人工神经网络自组织分类解释模型研究．江汉石油学院学报．1999，04
[57]．蔡煜东，杨兵，孙虹．用自组织人工神经网络进行含矿预测的探讨．湖南地质．1994，01
[58]．丛沛桐，阎秀峰，张玉红，王瑞兰，祖元刚．应用BP人工神经网络技术划分水土流失等级．水土保持学报．2000，04
[59]．李艳文．基于人工网络的非线性数学模型实现及在复杂地质信息非线性整合处理中的应用研究．硕士学位论文．长春：吉林大学计算机科学与技术学院，2002：5-20
[60]. Gong P. Integrated analysis of spatial data from multiple sources:using evidential reasoning and artificialneural network techniques for geological mapping Photogrammetric Engineering&Remote Sensing, 1996, 62 (5):513-523
[61]. Gorelev D. A.. Quantitative characteristics of geologic anomalies in assessing ore capacity Internal. Geology Review, 1982, 24 (4): 457-465
[62]. Graham J., Williams. Templates for spatial reasoning in responsive Geographical Information systems. International Journal of Geographical Information Systems, 1995, 9 (2): 117-131
[63]. Grunsy E. C., Kilby W.E., Massey N.W D.. Mineral resource assessment In British Columbia. Nonrenewable Resources, 1994, 3 (4): 271-283
[64]. Harris D. P. Mineral resource assessment perspectives on the past and present and speculation on future direction. Nonrenewable Resources, 1995, 4 (3):213-232
[65]. Harris D. P, Pan G.. Intrinsic sample methods for mineral exploration and resource assessment. Nonrenewable Resources, 1993, 2 (2):113—121
[2]．蔡煌东，杨兵，孙虹．自组织人工神经网络在多金属成矿预测中的应用．矿山地质，1995，16(1)：43-47
[3]．池顺都，赵鹏大．地质建造组合嫡异常与找矿有利地段圈定．现代地质，2000，14(4)：423-428
[4]．陈守余，周梅春．数据开采的BP神经网络方法及其应用地球科学—中国地质大学学报，1998，23(2)：183-187
[5]．迟国彬，李岩，丁暄等．基于GIS的矿产勘查综合预测方法研究．地球化学，1997．26(5)：91-99
[6]．迟国彬，李岩等．基于GIS的矿产勘查综合预测方法研究．中国地理信息系统协会第二届年会论文集，北京，1996，242-249
[7]．周春光，梁艳春．计算智能．长春：吉林大学出版社，2001．
[8]．李厚强，王宜生，刘政凯．一种适用于多类别遥感图象分类的新方法—复合神经网络分类方法．遥感学报，1997，1(4)：257-261
[9]．李师汤，王硕儒，干增慧，等．鲁东金矿与花岗岩关系的神经网络模式识别．青岛海洋，大学学报，1998，28(1)：142-148
[10]．李新中，徐振邦，曾凡刚．矿产资源量计算与预测效果评价的方法和程序．地质与勘探，1998，34(1)：38-44，64
[11]．李颖，范继璋．综合信息矿产预测计算机系统．长春科技大学学报，1999，29(4)：394-396
[12]．李颖，杨永强，范云芳．阿尔泰成矿区金矿预测图形库及属性库的建立方法．长春科技大学学报，2000，30(3)：293-295
[13]．李裕伟．GIS—实现地质工作现代化的工具．物深化探计算技术，1995，17(2)：76-79
[14]．刘聚海．矿产勘查中遥感技术应用综述．国土资源科技进展，2000，3：54-62
[15]．刘天佑，师学明，潘玉玲等．人工神经网络方法与鲁西金伯利岩物化探异常筛选．现代地质，1998，12(4)：598-602
[16]．刘荫椿，董晓辉，刘志杰．基于GIS的金矿多源地学信息复合处理及应用．黄金地质，1997．3(1)：63-66
[17]．吕新彪．人工神经网络在地球科学中的应用综述．地质科技情报，1996，15(3)：93-98
[18]．吕新彪，赵鹏大．定量成矿预测的人工神经网络模型．地球科学，1998，23(6)：620-623
[19]．马建文，阎积惠．地理信息系统及资源信息综合．北京：地质出版社，1994．
[20]．史继忠，刘欣然，马天寿．内蒙狼山地区矿产资源评价数据库系统建立和应用．河北地质学院学报，1991，14(2)：172-181
[21]．石松连．地理信息系统概述．物探化探计算技术，1995，17(1)：71-74
[22]．苏红旗，葛艳，刘冬林，等．基于GIS的证据权重法矿产预测系统(EWM)．地质与勘探，1999，35(1)：44-46
[23]．唐永成，曹静平，高章红．安徽东部地区金矿资源GIS评价．安徽地质，2000，10(2)：111—119
[24]．王大力．用人工神经网络作地质数据分析．石油物探，1994，33(4)：65-69
[25]．王桥，毛锋，吴纪桃．GIS中的地理信息综合．遥感学报，1998，2(2)：155-160
[26]．王润生等．地质勘查图像分折与综合．北京：地质出版社，1992
[27]．王世称，范继璋，杨永华．矿产资源评价．1990，长春：吉林科学技术出版社
[28]．王世称，成秋明，范继璋．金矿资源综合信息评价方法．1990，长春：吉林科学技术出版社
[29]．王于天．综合信息解译原理与矿产预测图编制方法．1989，长春：吉林大学出版社
[30]．王硕儒，赵举孝，范德江．自组织神经网络用于地质样品分类．物探与化探，1997，21(2)：139-144
[31]．王野乔．遥感及多源地理数据分类中的人工神经网络模型．地理科学，1997，17(2)：105—112
[32]．王自杰，赵鹏大．基于GIS的智能辅助矿产预测系统研究．现代地质，1997，11(3)：339，353
[33]．王自杰，赵鹏大，基于地质异常研究的矿产预测．华东地质学院学报，1996，19(2)：133—138
[34]．吴仲煌．GIS在矿产资源区域评价中的应用研究．国外地质科技，1998，3：1-8
[35]．向运川，任天样，杨竹溪．开发利用地理信息系统(GIS)综合分析地学信息进行矿产预测．物探与化探，1996，20(1)：1-13
[36]．肖克炎，张晓华，王四龙．矿产资源GIS评价系统—成矿预测方法通则之四．北京：地质出版社，2000
[37]．肖志坚．应用GIS进行矿产资源评价现状及技术方法研究方向．新疆地质，2000，18(2)：181—187
[38]．谢贤平，柴建设，董光煦．地质数据的BP网络分析方法．地质与勘探，1995，31(2)：38—42
[39]．杨文采，王宝珍．神经网络技术及其在物化探上的应用．物探化探计算技术，1994，16(4)：303-309
[40]．余生晨，叶水盛，刘光胜，王世称．利用地理信息系统(GIS)进行综合信息矿产资源预测．世界地质，1996，15(3)：92-96
[41]．张宝光．人工神经网络在遥感数字图象分类处理中的应用．国土资源遥感，1998，1：21-27
[42]．张建龙，游丽君，秦举礼，等．利用GIS空间分析功能进行矿产资源评价的方法研究．物探化探计算技术，1997，19(3)：283-286
[43]．张志华，朱章森，李儒兵．几种修正的自适应神经网络学习算法及其应用．地球科学—中国地质大学学报，1998，23(2)：179-182
[44]．朱家元，田松，张恒喜．基于Kohonen神经网络的数据流分布模式仿真识别．计算机
仿真．2002，2
[45]．刘祖润，曾酷昭，张志飞．人工神经网络快速学习算法．计算机仿真．2000，01
[46]．江虹，曾立波，胡继明．优化的BP神经网络分类器的设计与实现．计算机工程与应用．2001，05
[47]．宋锐，张静，夏胜平，郁文贤．一种基于BP神经网络群的自适应分类方法及其应用．电子学报．2001，01
[48]．艾玲梅．基于人工神经网络的智能信息处理．西安工业学院学报．2001，03
[49]．裴旭东，黄聪明．对象输入参数优化的人工神经网络方法．北京理工大学学报．2000．01
[50]．李晓峰，刘光中．人工神经网络BP算法的改进及其应用．四川大学学报(工程科学版)．2000．02
[51]．孙效功，王硕儒．人工神经网络在地质学判别分析中的应用．青岛海洋大学学报．1994，02
[52]．刘光中，李晓峰．人工神经网络BP算法的改进和结构的自调整．运筹学学报．2001，01
[53]．金一泓，赵振斌，袁渭康．基于人工神经网络的非线性拟合方法BP学习算法中各因素的影响．生物数学学报．1994，01
[54]．蔡煜东，杨兵，孙虹．自组织人工神经网络在多金属成矿预测中的应用．矿床地质．1994，02
[55]．蔡煜东，李伟，许伟杰．用自组织人工神经网络分类、识别矿物．西北地质科学．1994．02
[56]．杜环虹．人工神经网络自组织分类解释模型研究．江汉石油学院学报．1999，04
[57]．蔡煜东，杨兵，孙虹．用自组织人工神经网络进行含矿预测的探讨．湖南地质．1994，01
[58]．丛沛桐，阎秀峰，张玉红，王瑞兰，祖元刚．应用BP人工神经网络技术划分水土流失等级．水土保持学报．2000，04
[59]．李艳文．基于人工网络的非线性数学模型实现及在复杂地质信息非线性整合处理中的应用研究．硕士学位论文．长春：吉林大学计算机科学与技术学院，2002：5-20
[60]. Gong P. Integrated analysis of spatial data from multiple sources:using evidential reasoning and artificialneural network techniques for geological mapping Photogrammetric Engineering&Remote Sensing, 1996, 62 (5):513-523
[61]. Gorelev D. A.. Quantitative characteristics of geologic anomalies in assessing ore capacity Internal. Geology Review, 1982, 24 (4): 457-465
[62]. Graham J., Williams. Templates for spatial reasoning in responsive Geographical Information systems. International Journal of Geographical Information Systems, 1995, 9 (2): 117-131
[63]. Grunsy E. C., Kilby W.E., Massey N.W D.. Mineral resource assessment In British Columbia. Nonrenewable Resources, 1994, 3 (4): 271-283
[64]. Harris D. P. Mineral resource assessment perspectives on the past and present and speculation on future direction. Nonrenewable Resources, 1995, 4 (3):213-232
[65]. Harris D. P, Pan G.. Intrinsic sample methods for mineral exploration and resource assessment. Nonrenewable Resources, 1993, 2 (2):113—121