基于人工神经网络的矿井构造定量评价

探讨了矿井构造定量评价的人工神经网络方法，结合东坡井田讨论了BP模型的输入层，隐含层和输出层的构置和优选等问题，利用东坡井田已知资料使用有序地质量最优分割方法和插值法得到学习样本，经过学习样本的训练，对未知单元进行评价。     

基于投影寻踪的水质评价模型

基于投影寻踪技术的基本原理和求解过程，建立了水质评价模型。大样本数据应用到模型中，使模型的精度大大提高。该模型既能根据样本本身寻求出各因子的重要程度，即客观权重．又能根据决策者对某个（些）影响因子的偏好，对样本进行分类。将遗传算法和传统优化方法相结合，以解决遗传算法求解带约束问题能力差的问题，并将其用于本文建立的模型的目标函数优化中．解决了高维数据全局寻优的难题。实例分析表明，该模型能够很好地对水质进行评价。能有效地解决多因素带来的高维复杂性，是一种处理多因素复杂评价问题的有效途径。     

煤与瓦斯突出预报的模糊聚类相似分析法

影响煤与瓦斯突出的因素多数是定性的或是模糊相似，采用模糊聚类分析方法对煤炭与瓦斯突出程度进行分析，建立模糊模式；应用模糊相似选择原理进行评价，以模糊模式为评价对象，以待预报样本为参考对象，根据模糊模式与以待预报样本的相似程度进行预测预报。哪一模式与预报样本最相近，等待预报样本即属于那一突出类型。采用模糊聚类及模糊相似原理2种方法结合分析预测，不仅克服了模糊聚类单一分析方法的不确定性，使定性预报转为定量预报，而且提高了预报效果的准确程度。实例分析表明，这是预报煤与瓦斯突出危险程度的一种较好的方法。     

一个基于粗糙集的水土流失防治动态决策系统

针对甘肃东部地区水土流失的防治，设计了一种基于模糊聚类和粗糙集理论的动态决策系统，给出了考虑多种因素综合影响的水土流失动态分类方法和从样本数据中提取动态分类决策规划的知识获取方法，并提出了一种应用粗糙集规划的新方法－－归类优选法。这一方法通过对条件属性按其重要性排序和对决策规划进行归类优选，较好地解决了新数据样本的规划匹配问题。算例表明该方法是有效的、实用的。     

人工神经网络在矿井构造定量评价中的应用

探讨了矿井构造定量评价的人工神经网络方法, 结合东坡井田实际, 重点讨论了 BP模型的输入层、隐含层和输出层的构置和优选等问题, 并使用有序地质量最优分割方法和插值法得到学习样本, 经过学习样本的训练, 对未知单元进行评价取得了良好的效果。      

动态聚类分析在储层分级中的应用

在油气田，特别是海上油气田勘探开发工作中，为了提高经济效益，通常需要对储层进行分级，以便合理地制定勘探开发方案，然而，目前普遍使用的测井解释方法都无法提供储层分级的级别，通用的聚类分析也只能进行样本分类，为了从测井资料中获取储层分级信息，作者在动态聚类分析的基础上，将聚类中心的特征值之和定义为分级指数，从而成功地解决了储层分级问题，通过南海某油田ST36井的测井资料处理，并经多种资料验证，证明了用该方法进行储层分级是有效的。     

地质变量概率分布拟合优度检验之新探

提出当地质变量可能同时符合几种概率分布，并对其概率分布作检验时，应重视检验样本对何种分布符号得好；还介绍了用ω＾２检验法解决此问题的途径，ω＾２检验法与Ｗ检验法、Ｄ检验法的关系及稳健估算样本参数的方法。     

加权支持向量回归机及其在水质预测中的应用

支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。     

人工神经网络在铀矿测井解释中的应用

本文探讨了运用人工神经网络方法完成铀矿测井解释任务的有关问题。采用了改进的BP算法，提高了网络收敛速度，优化了网络结构。研究使用了一种基于统计的学习样本生成方法，提高了样本的质量。实际应用网络进行岩性识别和孔隙度预测，取得了令人满意的结果。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

基于高斯过程二元分类模型的溶洞规模预测方法

溶洞规模与其影响因素之间存在着复杂的非线性关系，如何根据影响因素有效预测溶洞规模是一类复杂的模式识别问题。基于高斯过程二元分类模型，提出一种溶洞规模的预测方法，该方法通过对样本的学习，建立溶洞规模与其影响因素之间复杂的非线性映射关系，对仅提供影响因素的预测样本进行具有概率意义的识别输出。研究结果表明，该方法除具有小样本、模型参数自适应确定、识别精度高等优点之外，还能够对预测结果给予概率意义的可信度，为实际工程有效预测溶洞规模提供了定量的依据，具有良好的应用前景。      

基于样本熵理论的自适应小波消噪分析方法

小波消噪方法的核心问题是阈值的选择及确定.依据样本熵的特性,将样本熵与小波分析方法耦合起来,提出了一种自适应确定阈值的小波消噪分析方法.该方法计算了不同阈值对应噪声序列的样本熵值,得到阈值与样本熵值之间的关系曲线,当样本熵值达到最大时,此时阈值为所求阈值.通过算例加以验证分析,结果表明,自适应小波消噪分析方法能较好地实现水文序列的信噪分离,其消噪结果符合序列本身的特性及评价指标的要求,这为合理确定阈值提供了一种新的途径和方法.     

土地利用生态安全评价指标的系统聚类分析

生态安全研究是目前中国土地资源可持续利用研究的前沿课题．本文利用系统聚类分析方法，以湖南省14个地州市为样本，从1999年社会经济和土地生态环境压力、土地生态环境质量、土地生态环境保护和整治能力等多方面的运行数据中选取人口密度、城镇化水平、人均耕地、人均GDP、森林覆盖率、水土流失等24个指标，对土地利用生态安全评价指标作了系统聚类和分析。     

人工神经网络理论在地下水水质评价中的应用

本文应用人工神经网络方法，在模拟人脑的思维方式下，建立了地下水水质模型，并对地下水水质污染程度进行评价，与动用综合指数法、模糊综合评判法和灰色聚类法等多种方法评价的结果相比较。结果表明，神经网络方法具有较强的处理相互矛盾样本的能力，尤其对非线性问题，其预测精度高。     

运用“逐步聚类法”进行矿产预测

Isomix逐步聚类法是一种新的数理统计方法。此法在美国已用于对陆地卫星数据的分析,用电子计算机进行图象识别,属于非监督分类。非监督分类也就是无先验分类。此法特点是:在运用电子计算机进行自动识别分类之前,不需要经过训练过程,而是通过逐步聚类直接建立决策规则。这种方法的理论依据是:各类样本具有内在的相似性,把各样本在空间分布按相似性分割或合并成集群,再与地     

特征加权FCM算法在洪水样本分类中的应用

基于聚类分析和模糊数学的基本原理，对历史洪水建立属性和数值特征的洪水样本，并运用特征加权FCM算法对流域历史洪水特征样本进行聚类分析。在分散式新安江三水源模型的基础上对不同聚类的洪水分别进行参数率定．利用样本特征的模糊识别以提高实时水文预报的精度。     

模糊聚类分析在岩溶水化学分类中的应用

模糊聚类分析方法是一种用样本之间的相似程度来代替某种单一传统分类指标的较新分类法。本文利用天津蓟县地区岩溶水系统的３９个代表性水点及１０个指标构成的样本集,进行了水化学模糊聚类分析。结果表明该方法比传统的一些分类方法更能系统地、全面地反映地下水的各种属性,对确定水点的地球化学环境、系统边界的性质及含水层之间的水力联系有实际意义,是一种理论上合理、应用上灵活的有效分类法。      

基于遗传算法的边坡稳定性评价的动态聚类法

针对常规动态聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题，提出了基于遗传算法的边坡稳定性评价的动态聚类方法，此方法对三峡库岸36个边坡的研究结果表明，该方法是一个具有全局最优解的动态聚类方法，其结果明显好于常规动态聚类方法。     

前馈神经网络隐性单调与泛化能力

应用前馈人工神经网络对广域单调的两组样本进行了模拟反演，引入单调前馈网络的概念对其权值和阈值定解问题和泛化能力进行了较诉研究。表明前馈人工神经网络是一个表达形式简单的复杂系统，其单调特征是隐性的，而且训练网络的成熟性对样本数量和样本内在规律性有一定依赖。强调了前馈人工神经网络的应用效果，指出单调与复合问题还需进一步深入研究。     

基于DEM数据的古沉积面的重建方法——以青藏高原东北缘青海贵德盆地为例

广泛使用的数字高程模型（DEM）数据使得古沉积面的恢复成为可能。以青藏高原东北缘的青海贵德盆地为例,分析对比了前人获取代表古沉积面地表露头样本数据的几种方法．提出了插值样本应选择露头中代表原始沉积地层的顶面点的优选方法,并提取了更新统地表露头顶面点的样本数据。通过分析样本的特征、比较插值的结果,选择了自然邻点法进行插值预测,重建了贵德盆地更新统的古沉积面。正确样本,最的提取加上合适插值算法的选择．优化了重建的古沉积面。