判别解释法区分磁异常

判别解释法区分磁异常是利用磁性矿床和磁性岩体上的电磁异常特征和表征航磁与航电异常相互关系的相关系数作为特征参数,建立线性判别函数,按一定的运算规则将多变量变成一个新的单变量,并以它作为判别指标,对未知磁异常进行综合评价分类.通过对八个磁异常十三条测线的计算所得的判别值进行判别解释,表明了方法是有效的,能够客观、快速、正确地对磁异常进行综合评价分类.     

BP网络在火成岩岩石化学判别分类中的应用

现有的火成岩分类方案中,存在某些岩类在分类图解上没有空间、岩类因控制参数少,投影重叠以及含有玻璃质导致一些岩石分类错误等问题.提出了以火成岩的SiO_2、TiO_2、Al_2O_3、FeO等11个氧化物成分为变量,利用人工神经网络BP网络建立火成岩岩石化学分类模型.研究表明该分类方法是合理的、可行的,取得了良好的判别分类效果,对46个检验样本的判对率达97.8%.     

矿区地下水系统水质分类判别的多元统计分析

以某矿区地下水系统为例,对该矿区地下水水化学资料进行了多元统计分析方法耦合应用研究,主要包括利用因子分析对存在相关关系的离子变量进行空间降维处理,找出能够反映众多离子信息的基础变量(正交因子),以其作为系统聚类变量;运用系统聚类法获取能代表各地下水子系统水化学特征的典型水样;使用贝叶斯逐步线性判别分析建立地下水各子系统水化学判别模型(判别函数),并对随机检验样品进行判别归属和判别模型统计检验。结果表明:这是一种稳定性较好且切实有效的、适用于矿区地下水系统水化学分类及水源水化学判别的方法。     

数量化理论Ⅳ及其在化探异常分类中的应用

数量化理论Ⅳ为我们在分类时有效地利用定量变量和定性变量提供了一个有力的工具。本文详细地介绍了数量化理论Ⅳ的原理和计算方法,并以浙江赵家一大兼溪区域土壤地球化学异常的分类为例,说明了这种方法在化探异常分类中的应用效果。     

膨胀土判别与分类的人工神经网络方法

提出了运用神经网络理论对膨胀土进行判别与分类的方法。通过对安康膨胀土的实测数据分析，建立了研究膨胀土判别与分类的计算机智能专家系统。结果表明，用人工神经网络方法对膨胀土进行判别与分类的准确率很高，它无需在判别因子与预测目标之间建立基于某种理论的经验统计关系，该方法具有重要的实用价值。     

判别分析及其应用中的几个问题

判别分析是属于分辨样品类型的一种统计方法,故也称分辨法,它是根据样品的 P 个测定指标(又称判别变量,如 P 个化学元素含量,一般 P>2),对一批未知样品进行分类;前提是已知一些样品的分类,然后根据 P 个测定指标来确定未知样品究竟归属哪一类。判别分析有两组判别(或称二级分辨)和多组判别(或称多级分辨)之分。     

膨胀土判别与分类的Fisher判别分析方法

介绍了数理统计中常用的判别分析方法——Fisher判别分析法，结合合（肥）－六（安）－叶（集）高速公路工程，利用SPSS软件对沿线采集土样进行了Fisher判别分析，得出了适合该地区膨胀土判别与分类的判别方程。分析表明： (1)利用Fisher判别分析法仅需几项基本物理性质指标，参数的试验操作大众化、规范化，试验条件明确、设备简单、周期短。在统计意义的基础上可以对膨胀土正确分类；(2)判别函数中，塑性指数的系数最大，说明判别函数对塑性指数值敏感，塑性指数能较好反映土的膨胀潜势；(3)利用SPSS软件进行判别分析，简易方便，分类效率高，对膨胀潜势的划分结果统计意义明显，能够为膨胀土的分类提供依据。对该判别方程进行了检验，发现其适用性好，判别分析方法在膨胀土判别与分类中有较好的应用前景。     

人工神经网络在白云岩类型识别中的应用

利用地球化学数据,运用人工神经网络方法对美国密苏里州东南Ｂｏｎｎｅｔｅｒｒｅ组（寒武纪）滨海相的白云岩进行了分类、识别,判别率达１００％,结果表明,该方法性能良好,可望成为岩石分类、判别的有效手段。     

关于混合型资料处理的分辨法

在物化探的文献中,考虑到的分类判别等问题模型是针对连续型变量而言的。同时往往假定这些变量是多元正态的。但是在很多情况下,研究人员必须处理既有离散变量又有连续变量(即由定性和定量变量组成的混合型资料)的问题。本文提出了一种处理以上问题的方法。对混合型资料中的连续变量,也不一定要求它具有多元正态的性质。     

隶属函数加权判别法

判别分析法是在煤田地质勘探中广泛应用的一种统计分析法。但实际应用中会出现错判现象,且不能给出归类的可靠程度,还要求巳知样品变量个数与未知样品变量个数相等,否则就不能计算。本文用模糊数学理论提出了一种新的数学地质方法—隶属函数加权判别法,并用电算方法对实例进行处理,取得了较好的效果。     

基于土地利用现状数据库的土地利用遥感分类本底数据库建设——以山东省泰安市泰山区为例

遥感分类本底数据库和土地利用现状数据库在地类判别标准、精度要求、数据格式和原始底图等方面存在诸多一致性.基于土地利用现状数据库进行遥感分类本底库的建设,大大减少了数据矢量化和外业调查的工作量.由于大部分工作都可以通过计算机来完成,因此作业时间和人力物力投入相应减少,同时确保了遥感分类本底数据库的精度.     

基于Fisher判别的储层分类渗透率预测技术

莺歌海盆地中深层储层岩性复杂、非均质性强,孔渗关系趋势较差,导致利用测井资料进行储层渗透率评价技术出现了精度大幅降低或失效的情况。为有效地解决研究区储层渗透率精细评价的问题,利用取心井段岩心分析孔渗资料、测井资料,选用流动单元指数FZI值进行储层分类,建立各类储层的渗透率精细计算模型。优选反映储层特征变化的测井变量,运用Fisher判别分析法建立储层类型判别标准的新方法应用于莺歌海盆地东方13气田中,结果表明:储层渗透率计算精度有了明显提高,为研究区的复杂储层渗透率评价提供了一种有效途径。     

成分数据的对数比统计方法简介

成分数据的闭合效应及参数分布上的问题使得传统的统计方法对它不适用。本文介绍了Aitchison在近年来提出的一套成分数据的统计方法。方法的基础是成分矢量的对数比在闭合前后的一致性以及加法逻辑正态分布。利用这套方法,可有效地解决成分数据的降维、分类、判别、与非成分变量的关系、成分独立性研究等一系列问题。     

一种化探异常评价方法—多变量场

用多变量场(Multivariate Field)评价化探异常,是在多维变量或主轴空间,利用超球面把具有相同或相似地球化学性质的样品点分别圈出来,从而达到对异常进行分类、评价的目的.本文就多变量场的原理与方法作了简介,并对其计算机算法作了说明.     

用自组织学习联想神经网络识别白云岩类型

本文利用地球化学数据和自组织学习联想神经网络（ＬＡＮＮＳＯ），对美国密苏里州东南Ｂｏｎｎｅｔｅｒｒｅ组（寒武纪）滨外相的白云岩进行了分类、识别，判别率达１００％．结果表明，该方法性能良好，可望成为岩石分类、判别的有效手段．     

膨胀土多指标定量分类方法研究

膨胀土的胀缩等级评判是进行膨胀土治理的首要任务,对膨胀土的判别与分类方法开展研究具有重要意义。本文在前人研究的基础上,选取膨胀土分类常用的4项指标(液限、塑限、自由膨胀率和标准吸湿含水率),利用粗糙集理论对各指标在分类时的重要性进行评价,进而建立一种简单的膨胀土多指标定量分类方法,易于工程实践操作。     

基于台湾集集地震数据的CPT与SPT液化判别方法比较

利用集集地震静力触探试验(CPT)数据,对基于CPT测试的Robertson液化判别方法和Olsen方法进行了检验,两个方法对液化点判别成功率分别为82.61%和80.43%,对非液化点判别成功率分别为31.82%和44.32%。CPT液化判别方法对液化点判别基本可靠,但对非液化点判别准确性较差。对集集地震标准贯入试验(SPT)数据,美国地震工程研究中心(NCEER)推荐的SPT液化判别方法对液化点和非液化点判别成功率分别达到92.41%和94.35%。SPT方法判别成功率非常高,整体准确性远高于CPT方法。另一方面,CPT的土分类图可以同时反映土的种类与强度,甚至可以对集集地震液化土与非液化土进行区分。对于细粒土的液化初判,CPT土分类图也优于SPT方法中的黏粒含量指标。因此,土分类图是CPT的优势所在。     

基于决策树的蓬莱市土地覆盖信息提取

以蓬莱市为研究区,对TM影像经过预处理后,进行典型地物的光谱分析。在此基础上,运用决策树分类法,选取影像的光谱特征值、NDWI值、NDVI值、K—T变换信息和DEM值等数据作为测试变量,选择适当阈值设定判别规则,建立决策树模型进行土地利用覆盖信息提取并做出精度评价。将其提取精度与监督分类结果精度进行比较,结果表明其分类精度有很大提高,尤其在研究区是丘陵地形的情况下,DEM数据的使用使林地、果园的可分性大大加强。     

逐步判别分析法在筛选水质评价因子中的应用

应用逐步判别分析法对水质进行评价因子筛选,通过对水质实际监测因子的假设检验分析,引入判别能力好的因子,建立判别方程。对实例评价结果表明：通过筛选引入判别方程变量的后验概率均达到90%以上,对判别分类有显著影响,从而提高了所建立的判别函数的稳定性和评价结果的可靠性。进行因子筛选的评价结果显示石头口门水库2001-2004年为Ⅱ类水,2005年为Ⅲ类水,污染呈现出逐年加重之势,与实际情况相符;而未进行因子筛选的评价结果显示5年水质没有变化,均为Ⅱ类水,且2005年后验概率仅达到52％,结果判误率高。     

主成分分析与Bayes判别法在突水水源判别中的应用

准确有效地判别突水水源是解决矿井水害的前提条件。基于淮北袁店二矿各含水层共59个水样水质化验资料,利用主成分分析法,计算各水样的因子得分,并进行系统聚类,剔除错误样本。利用剩余水样作为学习样本,检验Bayes判别函数的判定准确性,得出准确率为92.5%,并进行交叉验证。利用该判别函数对某工作面底板下一富水区水样进行判别,结果与实际情况吻合。结果指示基于主成分分析与Bayes判别法较单一Bayes判别法更加准确,能够消除样本变量之间的相互影响,实现对突水水源的快速有效判别。