第五章2-信息综合与有利度计算2013.ppt

ART神经网络 竞争型网络 —— ART神经网络模型 （1）竞争型网络与模式分类 竞争型神经网络是一种以无导师示教方式进行训练的网络。只给网络提供一些学习样本，而不提供相应的希望输出模式。网络通过自身的训练，自动对输入样本进行分类。 竞争型神经网络经常作为基本的网络形式，构成其它一些具有自组织能力的网络。 具有代表性的有： 自适应共振理论（Adaptive Resonance Theory——ART） 自组织特征映射（Self-Organizing Feature Map——SOM） 对向传播（Counter Propagation——CP）网络等。 二、主要模型与基本算法 (2)竞争型网络结构及学习算法 二、主要模型与基本算法 （3）竞争型神经网络常用分类算法 二、主要模型与基本算法 （4）ART神经网络模型 自适应共振(Adaptive Resonance Theory，简写为ART)是一种无导师学习网络，由美国Boston大学的格罗斯伯格（Stephen Grossberg）1976年提出来的，实际上是一种依据特征参数对样本归类的网络分类器这一理论充分利用了生物神经细胞之间自兴奋与侧抑制的动力学原理，让输入模式通过网络双向连接权的识别与比较，达到共振来完成对自身的记忆，并以同样的方法实现网络回 想。当提供给网络回想的是一个网络中已输出向量 Bk=(b1k, b2k, bmk) 输出中已 记忆的、或者是与已记忆的模式十分 相似的模式时，网络会把这个模式回想出 来，提出正确的分类。 如果提供给网络回想的是一个网络记 忆中不存在的模式，则网络将在不影响已 有记忆的前提下，将这一模式记忆下来， 并将分配给一个新的分类单元作为这一记 忆模式的分类标志。 二、主要模型与基本算法 （5）ART神经网络模型 二、主要模型与基本算法 二、主要模型与基本算法 二、主要模型与基本算法 总结  证据权法的优点： 充分考虑了某一地学因子有利及不利成矿两个方面（信息量法只考虑了有利的一面，没考虑不利的一面） 充分考虑了各地学信息对成矿有利度的贡献大小（简单的图层叠加法是等权的，未考虑到它们的权重） 空间关联度显著性指标C为BUFFER距的确定提供了定量的方法。 证据权法的预测效果取决于： 证据层的选择比模型的选择更重要 训练集的定义是一个重要的关键因素 条件独立性 通常：好的预测结果应与数学方法的选择无关 证据权法, 特征分析法、逻辑回归, 模糊逻辑, 神经网络等数学方法均生成非常相似的预测结果 (Wright, 1996) * 第五章 GIS在资源评价中的应用 一、GIS与资源评价 二、证据权法、信息量法等 三、MORPAS介绍 四、实习 第二节 信息综合与有利度计算模型 建模的基本方法 知识驱动 (无须训练区（点）) 专家系统 模型参数由专家确定 模糊逻辑法 数据驱动 (必须有训练区（点）) 统计方法 根据训练区计算确定模型参数 证据权法, 特征分析，逻辑回归, 神经网络, 分形方法 矿产资源区域评价数学模型 矿产资源评价所涉及的大致有以下几种数学模型： 统计模型：特别是多元统计模型，如因子分析、对应分析、判别分析 、回归分析、典型相关分析等。利用这类模型，可对用于评价的数据从各个角度进行统计分析。除对连续型变量进行分析外。多半还有其离散分支。 纯代数模型：如特征分析 、主成分分析、聚类分析、趋势分析、逻辑信息法等 这类模型仅立足于矩阵元算，一般无统计能力。? 其他数学模型：如立足于图论、模糊集、数字滤波、信息论等数学分支的数学模型。这类模型有时也含有统计概念。 专家系统模型：其数学支持主要是逻辑数学模型，用于系统的知识表达与推理过程，其中也会使用到广泛的数学模型，如统计模型、模糊集、人工神经网络等。 ? ―――《矿产资源潜力评价指南，地调局2001.5 附件三》 矿产资源区域评价数学模型 矿产资源评价需要解决三个问题： 1）评价的数学模型要立足于数据的空间相关性； 2）系统要能直接调用和操作空间图形； 3）评价系统要以数据管理为核心，实现数据驱动。 GIS的应用，使后面两个问题的解决成为可能。 ―――《矿产资源潜力评价指南，地调局2001.5 附件三》 建模的基本步骤 数据处理 原始数据 图件 综合 预测结果 权重计算 优化 “ 模型 ” 信息综合方法 证据权法 信息量法 BP神经网络 ART神经网络 特征分析法 逻辑回归* 模糊逻辑* 证据权法  证据权法（Weight