| 第一章 绪论 | 第1-15页 |
| 1．1 论文选题背景 | 第10-12页 |
| 1．2 神经网络理论和模糊数学特点 | 第12-13页 |
| 1．3 神经网络理论和模糊数学在隐伏矿预测中的研究现状 | 第13页 |
| 1．4 论文的主要工作 | 第13-15页 |
| 第二章 建立隐伏矿定位预测数字模型基础 | 第15-29页 |
| 2．1 神经网络(ANN)简介 | 第15-25页 |
| 2．2 模糊数学(FM)简介 | 第25-26页 |
| 2．3 会泽麒麟厂铅锌矿区成矿背景 | 第26-27页 |
| 2．3．1 区域地质概述 | 第26-27页 |
| 2．3．2 矿区地质概述 | 第27页 |
| 2．4 本章小结 | 第27-29页 |
| 第三章 隐伏矿定位预测模型的构造 | 第29-51页 |
| 3．1 隐伏矿定位预测的SOFMANN模型 | 第29-40页 |
| 3．1．1 选择SOFMANN模型进行隐伏矿定位预测的依据 | 第29-30页 |
| 3．1．2 SOFMANN的结构 | 第30-34页 |
| 3．1．3 SOFMANN的学习及工作规则 | 第34-40页 |
| 3．2 隐伏矿定位预测的FCA模型 | 第40-44页 |
| 3．2．1 选用FCA进行隐伏矿定位预测的依据 | 第40-41页 |
| 3．2．2 模糊综合评判的数学模型 | 第41-43页 |
| 3．2．3 多层次的模糊综合评判模型 | 第43页 |
| 3．2．4 确定权重的方法 | 第43-44页 |
| 3．3 隐伏矿定位预测的BP模型 | 第44-50页 |
| 3．3．1 选择BP模型进行隐伏矿定位预测的依据 | 第44-45页 |
| 3．3．2 BP结构 | 第45-48页 |
| 3．3．3 BP学习算法的步骤 | 第48-49页 |
| 3．3．4 改进的BP算法 | 第49-50页 |
| 3．4 本章小节 | 第50-51页 |
| 第四章 隐伏矿定位预测专家辅助分析系统实现 | 第51-59页 |
| 4．1 SOFMANN功能模块设计 | 第51-54页 |
| 4．1．1 功能 | 第51页 |
| 4．1．2 模块结构 | 第51页 |
| 4．1．3 SOFMANN程序预测流程 | 第51-53页 |
| 4．1．4 人工自组织主界面 | 第53-54页 |
| 4．2 FCA功能模块设计 | 第54-56页 |
| 4．2．1 功能及模块结构 | 第54页 |
| 4．2．2 模块结构 | 第54-55页 |
| 4．2．3 FCA预测程序流程图 | 第55-56页 |
| 4．2．4 模糊综合评判主界面 | 第56页 |
| 4．3 BP功能模块设计 | 第56-59页 |
| 4．3．1 BP功能 | 第56-57页 |
| 4．3．2 模块结构 | 第57页 |
| 4．3．3 BP网络预测程序流程 | 第57页 |
| 4．3．4 BP网络主界面 | 第57-59页 |
| 第五章 隐伏矿定位预测模型在会泽铅锌矿的应用 | 第59-73页 |
| 5．1 SOFMANN模型应用于云南省会泽麒麟厂铅锌矿区深部隐伏矿定位预测 | 第59-63页 |
| 5．1．1 预测区控矿多因素变量的选取 | 第59页 |
| 5．1．2 预测区控矿多因素数据的提取 | 第59-60页 |
| 5．1．3 SOFMANN的训练和预测结果及分析 | 第60-62页 |
| 5．1．4 SOFMANN模型应用总结 | 第62-63页 |
| 5．2 FCA模型应用于云南省会泽麒麟厂铅锌矿区深部隐伏矿定位预测 | 第63-66页 |
| 5．2．1 模糊评价因素和各因素评价集的确定 | 第63-64页 |
| 5．2．2 模糊评价因素权重的确定 | 第64-66页 |
| 5．2．3 对麒麟厂铅锌矿区深部1631中段评判及分析 | 第66页 |
| 5．3 BP模型应用于云南省会泽麒麟厂铅锌矿区深部隐伏矿定位预测 | 第66-72页 |
| 5．3．1 输入层神经元数、隐层神经元数及输出层神经元数的确定 | 第66页 |
| 5．3．2 优化的BP算法的训练和预测结果分析及其分布 | 第66-71页 |
| 5．3．3 BP网络及其优化算法应用总结 | 第71-72页 |
| 5．4 本章小结 | 第72-73页 |
| 总结 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
