| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 数据降维研究简介 | 第9-11页 |
| 1.3 分类算法应用研究简介 | 第11-12页 |
| 1.4 分类算法在地质中的应用简介 | 第12-13页 |
| 1.5 分类算法在岩石含矿性识别中的应用 | 第13-14页 |
| 1.6 本文的主要内容和文章结构 | 第14-17页 |
| 第2章 基本原理介绍 | 第17-29页 |
| 2.1 判别分析 | 第17页 |
| 2.2 主成分分析 | 第17-18页 |
| 2.3 BP神经网络 | 第18-20页 |
| 2.4 支持向量机 | 第20-24页 |
| 2.4.1 SVM发展及优缺点 | 第20-21页 |
| 2.4.2 SVM基本原理介绍 | 第21-23页 |
| 2.4.3 核函数介绍 | 第23-24页 |
| 2.5 交叉验证网格搜索法 | 第24-25页 |
| 2.5.1 基本原理介绍 | 第24页 |
| 2.5.2 网格搜索法优化SVM | 第24-25页 |
| 2.6 遗传（GA）算法 | 第25-26页 |
| 2.6.1 基本原理介绍 | 第25页 |
| 2.6.2 遗传算法优化BP神经网络 | 第25-26页 |
| 2.7 粒子群（PSO）优化算法 | 第26-29页 |
| 2.7.1 基本原理介绍 | 第26-27页 |
| 2.7.2 PSO算法优化SVM参数 | 第27-29页 |
| 第3章 基于判别分析组合算法的实证分析 | 第29-37页 |
| 3.1 样本选取及数据预处理 | 第29页 |
| 3.2 基于判别分析的含矿性识别应用 | 第29-31页 |
| 3.3 基于判别分析组合模型的含矿性识别 | 第31-34页 |
| 3.3.1 对应分析降维处理 | 第31-33页 |
| 3.3.2 基于对应分析的判别分析组合模型的含矿性识别应用 | 第33-34页 |
| 3.4 实验结果对比分析 | 第34-37页 |
| 第4章 基于BP神经网络组合算法的实证分析 | 第37-43页 |
| 4.1 构建BP神经网络模型 | 第37-38页 |
| 4.1.1 样本选取及数据预处理 | 第37页 |
| 4.1.2 BP神经网络模型建立 | 第37-38页 |
| 4.2 基于BP神经网络的含矿性识别应用 | 第38-39页 |
| 4.3 基于GA-BP神经网络的含矿性识别 | 第39-41页 |
| 4.3.1 遗传算法降维处理 | 第39-40页 |
| 4.3.2 基于GA-BP神经网络的含矿性识别应用 | 第40-41页 |
| 4.4 BP与GA-BP的实验结果对比分析 | 第41-43页 |
| 第5章 基于支持向量机组合算法的实证分析 | 第43-57页 |
| 5.1 基于SVM的含矿性识别 | 第43-44页 |
| 5.1.1 样本选取及数据预处理 | 第43页 |
| 5.1.2 基于SVM的含矿性识别应用 | 第43-44页 |
| 5.2 基于PCA-SVM的含矿性识别 | 第44-49页 |
| 5.2.1 PCA-SVM组合算法 | 第44-45页 |
| 5.2.2 主成分分析降维处理 | 第45-47页 |
| 5.2.3 基于PCA-SVM的含矿性识别应用 | 第47-48页 |
| 5.2.4 SVM与PCA-SVM的实验结果对比分析 | 第48-49页 |
| 5.3 支持向量机的参数优化及含矿性识别 | 第49-55页 |
| 5.3.1 网格搜索法及PCA-GS-SVM含矿性识别应用 | 第49-52页 |
| 5.3.2 粒子群算法参数寻优及PCA-PSO-SVM含矿性识别应用 | 第52-53页 |
| 5.3.3 遗传算法参数寻优及PCA-GA-SVM含矿性识别应用 | 第53-55页 |
| 5.4 实验结果对比分析 | 第55-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 附录 攻读硕士学位期间的研究成果 | 第67页 |
