支持向量回归机在矿体品位插值中的应用
需积分: 9 80 浏览量
更新于2024-08-12
收藏 334KB PDF 举报
"基于支持向量回归机的矿体品位插值 (2009年)",这篇论文探讨了利用支持向量回归机(Support Vector Regression, SVR)结合自组织神经网络聚类(Self-Organizing Feature Mapping, SOFM)进行矿体品位插值的方法。论文发表在2009年的《北京科技大学学报》第31卷第12期,作者为李娟、李翠平和李仲学。研究中,SVR模型被用来预测矿体品位,并与传统的多边形法、距离幂次反比法和克里格法进行了对比验证,证明了SVR模型在品位插值方面的有效性和稳定性。
支持向量回归机(SVR)是一种监督学习算法,源于支持向量机(Support Vector Machine, SVM),在处理回归问题时具有较高的预测精度和泛化能力。SVM最初被设计用于分类问题,但通过引入ε-松弛项,可以将其扩展到连续变量的回归问题,即成为SVR。在矿体品位插值中,SVR可以构建一个非线性模型,捕捉数据中的复杂关系,从而更准确地估计品位分布。
自组织神经网络聚类(SOFM)是神经网络的一种,主要用于数据的无监督学习和聚类。在本研究中,SOFM可能被用来对矿体数据进行预处理,将品位数据进行聚类,以便更好地理解数据结构并提升SVR的预测性能。
论文对比了四种不同的插值方法:
1. 多边形法:这是一种简单的插值方法,常用于地质体边界确定,通过连接相邻采样点来创建一个多边形区域,并假定区域内品位均匀。
2. 距离幂次反比法:根据采样点与目标点之间的距离关系,采用距离的幂次反比来确定目标点的品位,适用于数据点稀疏或不规则分布的情况。
3. 克里格法(Kriging):一种统计插值方法,利用空间相关性来估计未知点的品位,能够提供误差估计并考虑数据的变异性,是地质领域广泛应用的插值技术。
对比结果显示,基于SVR和SOFM的模型在矿体品位插值中表现出更好的可行性和可靠性,这可能归因于SVR对非线性关系的良好拟合能力和SOFM在数据聚类上的贡献。这种方法对于理解矿体内部品位变化、优化资源评估和开采规划具有重要意义。
体视化技术在矿业工程中的应用是近年来的一个热点,它能够将三维体数据转化为可视化的图像,揭示矿体的内部结构和品位分布,从而帮助工程师和科学家更直观地分析地质特征,做出更科学的决策。空间插值作为体视化的核心部分,对于精确地模拟矿体品位变化至关重要,而SVR和SOFM的结合为这一过程提供了强大工具。
点击了解资源详情
2021-09-28 上传
2021-04-27 上传
2021-06-13 上传
2021-04-21 上传
2021-05-19 上传
2011-06-18 上传
2020-02-04 上传
2019-09-13 上传
weixin_38633083
- 粉丝: 0
- 资源: 896
最新资源
- mealprep:Vue.js Web应用程序将食谱rolodex,meapprepper和卡路里计算器结合在一起
- jedis-2.8.0-API文档-中文版.zip
- Draft Tue Nov 20 10:59:58 CST 2018-数据集
- 图片内隐藏文件-易语言
- Flappy-Bird:Flappy Bird的原生Android克隆:front-facing_baby_chick:
- 如何使用自由口连接多个S7-200.zip西门子PLC编程实例程序源码下载
- ao-security:最佳实践安全性变得可用
- spfylibrary-1.0
- DataVisualizationJSON:来自 JSON 输入 URL 的数据可视化
- svelte-router
- C决赛:我在亨利·福特学院举行的C班的最后作业
- yukiyuki
- grunt-dom-munger:使用CSS选择器读取和操作HTML的艰巨任务
- CoFFEE-开源
- dffdf:dfdf
- Python库 | aws_cdk.aws_neptune-1.118.0-py3-none-any.whl