Моделиране показатели на находища на подземни богатства и свързани с тях обекти чрез компютърни системи
Изтегляне 0.84 Mb.
|
- Навигация на страницата:
- 2.2.3. Класификация чрез невронни мрежи
2.2.2. Резултати от класификациятаАнализът на разположението на отделните класове за всеки добивен хоризонт разкрива известно препокриване на отделните групи. Фигура 2.2.2 показва резултата от класифициране чрез експертно групиране за съдържанието на мед в местата на опробване от трите производствени хоризонта. Вертикално може да се проследи взаимното разположение на класовете в един хоризонт, докато хоризонтално е показано изменението на класовете в дълбочина (H – 870 H – 855 H – 840). По същия начин на Фигура 2.2.3 са показани класовете на съдържанието на сяра. Фигура 2.2.2 показва, че в един и същ хоризонт има някакво пространствено групиране на съдържанието на мед в различни интервали, т.е. формират се класове. От друга страна тези класове частично се препокриват в следния ред – всеки клас с по-високо съдържание лежи над тези с по-ниско. Това заключение е валидно и за трите добивни хоризонта. Разглеждайки местоположението на всеки клас в дълбочина (за трите изследвани хоризонта) преобладава заключението, че местоположението на класовете относително се запазва и нещо повече - формата им донякъде също се запазва, което е твърде важно да се знае във фазата на оперативното планиране на минните дейности. От Фигура 2.2.3 се вижда, че съдържанието на сярата е групирано пространствено по аналогичен начин, но с по-малко препокриване между отделните класове в един и същ хоризонт. Между съдържанието на мед и съдържанието на сяра не съществува корелационна връзка (r=0,38).
Класифициращите невронни мрежи принадлежат към самоорганизиращите се мрежи. Необходимо е те да се обучат така, че когато проба се подаде на входните възли на такава мрежа, тя да може да определи, към кой клас тази проба принадлежи. Когато мрежата е добре обучена, подавайки една входна проба към нея ще се активира само един изходен възел наречен победител – възелът отговорен за класа на входната проба. За да се обучи класифициращата мрежа е необходимо да се подготви обучаваща извадка от входни даннови проби и изходен вектор със същата дължина като броя проби в извадката, чието елементи са кодови номера или етикети на класовете формирани от входните данни. Системата STATISTICA 7.0 има модул “Neural Networks”, включващ класифициращи мрежи. В рамките на това изследване, като е използван този модул, са обучени седем класифициращи мрежи – три за съдържанието на мед (по една за всеки от трите добивни хоризонта), три за съдържанието на сяра (пак по същата причина) и една за съдържанието на мед и сяра, разглеждани едновременно. В процеса на обучението са използвани резултатите от експертното групиране. Шестте мрежи имат по един входен възел – съответно за съдържанието на мед и съдържанието на сяра и по пет изходни възела за петте възможни класа (Фигура 2.2.4 а). Седмата мрежа има два входни възела – по един за съдържанието на мед съдържанието на сяра и девет изходни възела за деветте възможни класа (Фигура 2.2.4b).
a b
Фиг. 2.2.4. Архитектура на класифициращи невронни мрежи - a) съдържание на мед или сяра поотделно; b) съдържание на мед и сяра, разглеждани едновременно Таблица 2.2.1. Резултати от обучението на седем класифициращи мрежи
Резултатите от обучението на седемте класифициращи мрежи са показани в Таблица 2.2.1. В последната колона е посочена стойността на коефициента на корелация между обучаващите класове и предсказаните от мрежата класове. Връзката между тях е значима според стойностите на корелационните коефициенти. Стойността на грешката при обучение може да се оцени като приемлива. Този резултат показва, че класифициращи невронни мрежи могат да се използват за предсказване на качествени показатели на находището. Каталог: docs -> N Juri N Juri -> Конкурс за академична длъжност "Доцент" по професионално направление 8 „Проучване, добив и обработка на полезните изкопаеми", специалност „Обогатяване на полезни изкопаеми" N Juri -> Конкурс за професор по Професионално направление Науки за земята N Juri -> Конкурс за професор по научно направление 8 „проучване, добив и обработка на полезни изкопаеми" специалност „минно строителство" N Juri -> И. Паздеров І. Дисертация и публикации, които са части от дисертационния труд N Juri -> 19. Резюмета на трудовете, с които кандидатът участва 7а. Научни публикации до получаване на онс „Доктор“ (научна степен „Кандидат на техническите науки“), 1978-1988 г N Juri -> Конкурса за получаване на научното звание "професор" по Професионално направление „Проучване, добив и обработка на полезни изкопаеми" N Juri -> Конкурс за академичната длъжност „професор" по професионално направление Проучване, добив и обработка на полезни изкопаеми, специалност "Техника и технология на взривните работи" за нуждите на катедра Подземно строителство N Juri -> С п и с ъ к на научните и научно-приложните трудове на доц д-р Венелин Желев Желев N Juri -> Конкурс за академичната длъжност „професор" по професионално направление Икономика, специалност „Икономика и управление по отрасли" N Juri -> Конкурс за академичната длъжност „професор" по професионално направление 13. Общо инженерство, научна специалност „Индустриален мениджмънт" Изтегляне 0.84 Mb. Сподели с приятели:
|
