神经网络集成技术及其在矿产预测中的应用研究
| 内容提要 | 第1-9页 |
| 第1章 绪论 | 第9-16页 |
| ·矿产预测概述 | 第9页 |
| ·人工神经网络在地学中的应用 | 第9-14页 |
| ·判别分类 | 第10-11页 |
| ·模式识别 | 第11-12页 |
| ·图像识别与处理 | 第12-13页 |
| ·预测与评价 | 第13页 |
| ·组合优化和多目标决策 | 第13-14页 |
| ·本文内容与组织安排 | 第14-16页 |
| 第2章 人工神经网络简介 | 第16-30页 |
| ·引言 | 第16-17页 |
| ·神经元模型 | 第17-22页 |
| ·生物神经元的结构 | 第17-19页 |
| ·人工神经网络的理论模型 | 第19-22页 |
| ·人工神经网络模型 | 第22-23页 |
| ·神经网络结构分类 | 第22页 |
| ·神经网络学习规则 | 第22-23页 |
| ·BP 网络概述 | 第23-25页 |
| ·径向基函数神经网络 | 第25-30页 |
| ·径向基函数网络结构 | 第25-28页 |
| ·K-NN 算法 | 第28-30页 |
| 第3章 神经网络集成 | 第30-42页 |
| ·神经网络集成 | 第30-33页 |
| ·结论生成 | 第30-32页 |
| ·理论分析 | 第32-33页 |
| ·个体生成 | 第33页 |
| ·BOOSTING 算法原理 | 第33-37页 |
| ·Boosting 算法 | 第33-36页 |
| ·试验结果分析 | 第36-37页 |
| ·BAGGING 算法原理 | 第37-40页 |
| ·Bagging 算法 | 第37-39页 |
| ·试验结果分析 | 第39-40页 |
| ·动态神经网络集成方法 | 第40-42页 |
| 第4章 基于 GA 的个体网络选择 | 第42-55页 |
| ·遗传算法简介 | 第42-45页 |
| ·GA 算法设计 | 第43-44页 |
| ·GA 的特点 | 第44-45页 |
| ·基于遗传算法的人工神经网络 | 第45-51页 |
| ·遗传算法优化神经网络连接权 | 第45-47页 |
| ·遗传算法优化神经网络的结构 | 第47-48页 |
| ·遗传算法优化神经网络的学习规则 | 第48页 |
| ·遗传算法优化神经网络应用 | 第48-51页 |
| ·基于遗传算法的个体RBF 网络选择 | 第51-55页 |
| ·理论分析 | 第52-53页 |
| ·算法实现 | 第53-55页 |
| 第5章 RBF 集成在矿产预测中的应用 | 第55-68页 |
| ·箐布拉克地质概述 | 第55-57页 |
| ·地层 | 第55页 |
| ·侵入岩 | 第55-56页 |
| ·构造 | 第56-57页 |
| ·地球化学资料解释 | 第57-62页 |
| ·元素地球化学参数特征 | 第57页 |
| ·元素区域地球化学特征 | 第57-62页 |
| ·预测模型及算法实现 | 第62-66页 |
| ·地质单元的划分 | 第62页 |
| ·变量提取 | 第62-64页 |
| ·RBF 集成预测模型 | 第64-65页 |
| ·试验结果分析 | 第65-66页 |
| ·成果表达 | 第66-68页 |
| 第6章 总结与展望 | 第68-75页 |
| ·本文主要内容总结 | 第68页 |
| ·本文的创新点 | 第68-69页 |
| ·人工神经网络发展趋势 | 第69-75页 |
| 中文摘要 | 第75-78页 |
| ABSTRACT | 第78-81页 |
| 致谢 | 第81页 |
