论文部分内容阅读
本文依托于国家自然科学基金(41072245):面向矿产预测的分层混合模糊-神经网络敏感性分析。 地球化学、遥感、地质等空间矿产数据具有小样本、多源、离散和连续数据并存的特点，如何从这种混合型数据中提取出有效的矿致信息，以及如何更好地建模来表征矿致因素间复杂的关系已成为矿产预测研究的核心和难点问题。传统的预测分析方法无法同时支持数据的小样本性和地学空间信息的强关联性，分析的效果不是很理想。 敏感性分析是一种定量描述输入变量对输出变量重要性的方法，可很好地筛选出矿产预测模型中起主导作用的矿致敏感信息。分层混合模糊-神经网络从解决致矿属性中离散变量和连续变量并存的问题出发，可以有效提高模型的精度。本文提出基于分层混合模糊-神经网络的敏感性分析，一方面通过敏感性分析对属性的重要性进行衡量与筛选，减少网络的复杂性，达到约简模型的目的;另一方面可以减少数据转化过程中的信息丢失，提高模型的稳健性。 本文主要工作如下: 1.阐述了敏感性分析的概念、分类及应用，重点介绍了基于神经网络的敏感性分析方法理论，并举例说明敏感性分析在遥感水体信息提取中的应用。 2.较为详细地描述了分层混合模糊-神经网络模型，提出一种改进的分层混合模糊-神经网络训练算法，将Lasso函数应用于模糊规则中以消除属性数据间的强交互性，并在福建遥感影像数据分类中取得了更高的分类精度。 3.提出两种基于分层混合模糊-神经网络模型的敏感性分析方法:偏导法和扰动法。偏导法通过计算输入变量对输出变量的偏导数得到敏感性系数，该方法在福建遥感影像数据分类的实验中得到了很好的验证。扰动法通过给输入变量添加一定的噪声，并将输出变量的变化值作为敏感性系数，该方法在福建多源空间矿产数据分析实验中取得了较好的应用。与同类方法对比，两种新方法都取得了更好的分析精度。 4.详细地介绍了敏感性分析仿真系统的设计方法、模块组成及使用实例。 5.最后对全文进行总结和展望。 本文通过理论和实验说明基于分层混合模糊-神经网络模型的敏感性分析方法在多源空间数据分析中取得的良好应用效果，说明该方法有较好的适用性，将为矿产预测及矿致敏感信息的提取提供一条新的途径。