本文關鍵詞：人工神經(jīng)網(wǎng)絡的數(shù)學模型建立及成礦預測BP網(wǎng)絡的實現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：本文是在完成國家地質(zhì)實驗中心2002年基于GIS的多源地學信息整合處理技術算法設計子課題基礎上完成的。主要研究人工神經(jīng)網(wǎng)絡數(shù)學模型和計算方法的計算機程序?qū)崿F(xiàn)，為實現(xiàn)復雜地質(zhì)信息的非線性整合處理提供技術支持。 人工神經(jīng)網(wǎng)絡(Artificial Neural Network，簡稱ANN)是一種大規(guī)模自適應非線性動力學系統(tǒng)，能實現(xiàn)非線性映射、模式識別、函數(shù)逼近、聚類分析、數(shù)據(jù)壓縮、優(yōu)化設計等功能，同時又具有很強的穩(wěn)定性、收斂性、魯棒性等良好性質(zhì)，在各種信息處理領域有著廣泛的應用。 地質(zhì)工作中存在著大量的非線性問題，對地質(zhì)勘探資料進行綜合分析與分類，，準確預測礦產(chǎn)資源的儲量和分布等都涉及到多資料的整合處理，因此研制理想的非線性整合處理方法是非常必要的，而人工神經(jīng)網(wǎng)絡的一些良好特性，恰好能滿足地質(zhì)工作的需求，因此越來越多的人把研究工作的重點紛紛轉(zhuǎn)向基于人工神經(jīng)網(wǎng)絡的非線性數(shù)學模型，以期更好地解決地學中的復雜問題。 目前，這方面的研究已有了部分成果，但大多只局限于應用一種固定的網(wǎng)絡模型來解決某一具體的應用，還遠遠不能滿足地質(zhì)勘探的多種需求，本課題的研究目的就是要建立多種網(wǎng)絡模型，并在算法實現(xiàn)過程中使其具有通用性，以滿足各種應用的需要。 本文的具體工作首先是對人工神經(jīng)網(wǎng)絡的三種常用模型—Bp網(wǎng)、Hopfield網(wǎng)和Kohonen網(wǎng)的拓撲結(jié)構(gòu)和學習算法進行了深入的研究，特別的還針對BP網(wǎng)引入RPROP(彈性BP)算法，對傳統(tǒng)BP算法進行了改進；其次，本文論述了用Visual C++實現(xiàn)這幾種網(wǎng)絡的過程；文中還實現(xiàn)了BP網(wǎng)絡的通用算法，建立了礦產(chǎn)資源綜合評價及成礦預測BP模型，使用戶可以自己創(chuàng)建、設計和管理成礦預測BP模型。 目前人工神經(jīng)網(wǎng)絡有三種常用網(wǎng)絡模型：BP網(wǎng)、Hopfield網(wǎng)和Kohonen網(wǎng)。 BP網(wǎng)絡(Back Propagation Networks，BP)是一種層狀結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡，具有非線性映射功能。由輸入層、隱層和輸出層組成，層內(nèi)各神經(jīng)元無連接，層間無反饋，信號沿同一方向從輸入層經(jīng)隱層傳輸至輸出層。學習算法采用梯度搜索技術，使全局代價函數(shù)最小化，并據(jù)此調(diào)整連接權重，從而獲取知識，并存儲于層狀網(wǎng)絡的連接權中。它使網(wǎng)絡具有知識結(jié)構(gòu)嚴謹，推理機制高效和敏捷等特點。常用于進行函數(shù)逼近、模式分類、數(shù)據(jù)壓縮等。 Hopfield網(wǎng)則是一種反饋網(wǎng)絡，又稱為自聯(lián)想記憶網(wǎng)絡，具有非線性動力學系統(tǒng)的許多優(yōu)良特性。常見的結(jié)構(gòu)為僅有一層神經(jīng)元，各神經(jīng)元間實現(xiàn)全反饋；其學習過程為設計一個網(wǎng)絡，存儲一組平衡點，使得當給網(wǎng)絡一組初始值時，網(wǎng)絡通過自行運行而最終收斂到所存儲的某個平衡點上。此種網(wǎng)絡主要用于聯(lián)想記憶、模式分類、模式識別等。 Kohonen網(wǎng)是一種競爭式學習網(wǎng)絡，它是模擬大腦神經(jīng)系統(tǒng)的自組織特征 吉林大學碩士學位論文 瓢獷丙死可藥而iion一瓦atur。Map)功能作為網(wǎng)絡的學習方案，因此也稱為 SOM網(wǎng)絡。其拓撲結(jié)構(gòu)為:一個輸入層，一個輸出層，輸出層節(jié)點以二維形式 排成一個節(jié)點矩陣，輸出節(jié)點之間可能實現(xiàn)局部連接，輸入節(jié)點與輸出層的所 有節(jié)點通過權值實現(xiàn)全互聯(lián);它的基本思想是網(wǎng)絡競爭層神經(jīng)元競爭對輸入模 式的響應機會，最后僅有一個神經(jīng)元成為勝利者，并對那些與獲勝神經(jīng)元有關 的各連接權朝著更有利于它競爭的方向調(diào)整，這一獲勝神經(jīng)元表示對輸入模式 的分類。常用其進行無模式分類、聚類分析、優(yōu)化設計等。 BP網(wǎng)是人工神經(jīng)網(wǎng)絡中應用最為廣泛的網(wǎng)絡模型，也是人們研究得最多的 一種模型，在最基本的誤差逆?zhèn)鞑W習算法的基礎上，人們又陸續(xù)提出了各種 優(yōu)化的算法，如基于全局速率調(diào)整的加入動量項、漸進自適應等方法和基于局 部學習速率調(diào)整的符號變換等方法，以滿足不同應用的需求。本文針對地質(zhì)勘 察資料數(shù)據(jù)的結(jié)構(gòu)特點及其分類要求，對BP網(wǎng)進行了改進，使其更好的滿足 在地學中的應用。對BP網(wǎng)的改進主要有以下幾點: 1.引入彈性BP算法對網(wǎng)絡權值和閩值進行自適應修正，以克服傳統(tǒng)算法 中固有的學習收斂速度慢、容易陷入局部極小等問題。 2.對BP網(wǎng)來說，隱層節(jié)點數(shù)的選擇對網(wǎng)絡的性能影響很大，但如何選擇 目前并沒有理論的指導，也沒有好的解析式來表示。數(shù)目過多會使學習時間變 長，數(shù)目過少會導致網(wǎng)絡不強壯、識別能力差。為解決這一問題，我們在網(wǎng)絡 結(jié)構(gòu)上也進行了適當調(diào)整，如各層神經(jīng)元數(shù)目在學習過程中可隨意設定，隱含 層神經(jīng)元的激活函數(shù)的類型也可自由選擇，這樣無論何種樣本，通過多次調(diào)整 隱層神經(jīng)元數(shù)目和改變激活函數(shù)的類型，總能找到一個最優(yōu)(穩(wěn)定)的網(wǎng)絡模 型和最快的學習速度，提高了系統(tǒng)的通用性。 3.對輸入樣本進行歸一化處理，使得過大或過小的樣本輸入值不至于令 神經(jīng)元過于飽和或截止，而恰好能落在神經(jīng)元轉(zhuǎn)移函數(shù)梯度最大的那些區(qū)域， 保證學習能夠收斂。 文中實現(xiàn)了BP網(wǎng)絡的通用算法，建立了礦產(chǎn)資源綜合評價及成礦預測BP 模型，從而可以對成礦信息進一步進行智能化知識發(fā)現(xiàn)和信息挖掘，自動評估 各地質(zhì)變量對成礦的貢獻，得到區(qū)域性的成礦規(guī)律和成礦模式，并圈定出成礦 靶區(qū)。并提供友好的人機交互式界面，使用戶可以自己創(chuàng)建、設
【關鍵詞】：神經(jīng)網(wǎng)絡(ANN) 成礦預測BP模型
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2004
【分類號】：TP183
【目錄】：

• 第一章 緒論6-10
• 1.1 人工神經(jīng)網(wǎng)絡的發(fā)展及現(xiàn)狀6
• 1.2 人工神經(jīng)網(wǎng)絡地學應用概述6-9
• 1.3 本論文研究的問題9-10
• 第二章 人工神經(jīng)網(wǎng)絡模型簡介10-18
• 2.1 人工神經(jīng)網(wǎng)絡的簡介10-11
• 2.2 BP網(wǎng)絡模型11-14
• 2.2.1 BP網(wǎng)簡介11-12
• 2.2.2 BP網(wǎng)絡拓撲結(jié)構(gòu)12
• 2.2.3 BP網(wǎng)絡的工作原理及過程12-13
• 2.2.4 BP算法流程13-14
• 2.3 Hopfield網(wǎng)絡模型14-15
• 2.3.1 Hopfield網(wǎng)絡簡介14
• 2.3.2 離散型Hopfield網(wǎng)絡拓撲結(jié)構(gòu)14
• 2.3.3 網(wǎng)絡的工作原理及過程14-15
• 2.3.4 網(wǎng)絡權值的學習規(guī)則15
• 2.4 Kohonen網(wǎng)絡模型15-18
• 2.4.1 自組織競爭神經(jīng)網(wǎng)絡簡介15-16
• 2.4.2 Kohonen網(wǎng)絡拓撲結(jié)構(gòu)16-17
• 2.4.3 Kohonen網(wǎng)的工作原理及過程17
• 2.4.4 網(wǎng)絡權值的學習規(guī)則17-18
• 第三章 基于彈性BP算法的BP網(wǎng)設計與實現(xiàn)18-29
• 3.1 BP網(wǎng)絡結(jié)構(gòu)的設計18-19
• 3.2 BP網(wǎng)的實現(xiàn)過程19-27
• 3.2.1 網(wǎng)絡初始化及數(shù)據(jù)定義19-22
• 3.2.2 BP網(wǎng)絡學習公式推導22-24
• 3.2.3 采用彈性BP算法計算權值W、偏差b的修正值ΔW，Δb24-26
• 3.2.4 計算修正權值W、偏差b26
• 3.2.5 BP網(wǎng)絡學習成功結(jié)束條件26-27
• 3.3 BP網(wǎng)的優(yōu)化27-28
• 3.4 BP網(wǎng)絡應用預測的實現(xiàn)28-29
• 第四章 Hopfield網(wǎng)設計與實現(xiàn)29-36
• 4.1 Hopfield網(wǎng)結(jié)構(gòu)的設計29
• 4.2 Hopfield網(wǎng)的學習規(guī)則-權值的正交化29-33
• 4.2.1 正交化權值的計算公式的推導30-31
• 4.2.2 樣本的收斂性證明31-33
• 4.3 Hopfield網(wǎng)絡學習的實現(xiàn)33-35
• 4.4 Hopfield網(wǎng)預測應用的實現(xiàn)35-36
• 第五章 Kohonen網(wǎng)設計與實現(xiàn)36-42
• 5.1 Kohonen網(wǎng)結(jié)構(gòu)的設計36
• 5.2 Kohonen網(wǎng)的學習規(guī)則-自組織競爭法36-39
• 5.3 Kohonen網(wǎng)學習的總體算法39-40
• 5.4 Kohonen網(wǎng)預測總體算法40-42
• 第六章 成礦預測BP網(wǎng)絡的實現(xiàn)42-50
• 6.1 成礦預測BP網(wǎng)絡模型42-43
• 6.1.1 BP模型設計42-43
• 6.1.2 BP模型運算43
• 6.2 成礦預測BP模型的實現(xiàn)43-50
• 6.2.1 BP算法的主要參數(shù)44
• 6.2.2 BP算法的實現(xiàn)函數(shù)44-50
• 第七章 全文總結(jié)50-52
• 參考文獻52-56
• 發(fā)表論文及參加項目56-57
• 致謝57-58
• 摘要58-60
• Abstract60-62

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 吳華平;趙江南;;個舊高松礦田多成礦地質(zhì)因素BP網(wǎng)絡成礦預測[J];桂林理工大學學報;2013年01期

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 楊開寧;模擬酸雨對葉菜類蔬菜影響評價模型研究[D];吉林大學;2011年

2 李斌;基于模式識別技術的眼科疾病輔助診斷系統(tǒng)的研究[D];吉林大學;2011年

3 李靖;基于BP神經(jīng)網(wǎng)絡的水力旋流器工作參數(shù)的預測研究[D];武漢理工大學;2006年

4 王忠文;統(tǒng)計學習理論及其在地學中的應用研究[D];吉林大學;2007年

5 喬璐;哈爾濱城區(qū)土壤高光譜特性與TM遙感的定量反演[D];東北林業(yè)大學;2010年

6 劉劍鋒;基于共享信息的新型輔助醫(yī)療智能診斷系統(tǒng)[D];吉林大學;2012年

7 張書欣;生物信息學若干問題研究報告[D];吉林大學;2012年

8 楊維;大學生人格與其學習績效關系研究初探[D];云南大學;2012年

9 彭皎龍;改進蟻群聚類算法優(yōu)化的RBF神經(jīng)網(wǎng)絡控制研究及其應用[D];鄭州大學;2013年

10 高曼珂;功能陶瓷高效精密CMP拋光工藝優(yōu)化與決策技術的研究[D];湘潭大學;2012年

  本文關鍵詞：人工神經(jīng)網(wǎng)絡的數(shù)學模型建立及成礦預測BP網(wǎng)絡的實現(xiàn)，由筆耕文化傳播整理發(fā)布。

本文編號：341341