文摘
在过去的二十年里,计算机技术行业发展迅速,地质勘探行业也经历一场计算机和电子革命。新的地质信息系统的应用技术是逐渐增加我们的空间信息系统地质勘探项目。为了深入研究当前形势下的人工神经网络模型在我国的地理信息系统的空间分析,本文使用了传统的分类分析方法;数据库分析和神经网络分析方法补偿样本收集,一个人工建立的网络模型,该算法简化。和创建一个神经网络模型。研究的A和B县的地理信息系统,使用一个新的网络模型,61年县地质灾害被发现,其中47例滑坡、4崩溃,和10不稳定斜坡上。有19个县B地理灾害,包括9不稳定斜坡上,6山崩和4。在地理方面结合网络模型,预测与实际情况的比较表明,地理分布在地理和地质灾害易发地区99.7%,地理分布是nonprone地区较少,比例为0.3%。地质灾害易发地区的低点占76.9%,low-prone地区和受灾点的数量占22.8%。地理和地质成绩除以评价模型基本上是符合实际的成绩,可以满足地理评价的需要。 It is basically realized that starting from the model’s geographic information system, a more comprehensive and practical artificial neural network model is designed.
1。介绍
在计算机科学和技术的快速发展,地理信息应用非常有限,这是通常被认为是科学的应用自然环境、测量、绘图、水利、和其他学科。现在我们都知道,地理信息系统已经应用到社会的各个方面,所以地理信息系统究竟是什么?地理信息系统是一个基于计算机的工具来解决各种地质问题。地理信息系统可以帮助我们理解和寻找解决困难的问题,收集信息与地理位置有关。各种对象,如河流、街道、居民区,等等,地理信息系统的形式将它们存储在数据库中数据和动态链接他们的地图。当实际对象变化时,与之关联的数据在数据库中也应该发送和改变,和输出映射与数据库将相应更新。
各种地质勘探数据库的一个重要组成部分,当前应用程序主要是大量的初始流地质exploration-related工作流失到数据库,并在数据库中执行相应工作,同时确保数据库中的数据的绝对安全。通过这种方式,可以提高项目的存储率,可以及时掌握项目的进度,保证质量,在项目完成检查和间隙可以进一步加强,并在项目开发过程中存在的问题是可以纠正的。持续改进和成熟的地质勘探监督平台的系统功能,数据存储模块将进一步实现和提高数据输入和管理功能的过程中存在两种类型的数据的地质勘探项目:空间数据和非空间数据集。数据存储模块的功能应用到手持设备,使其更方便了地质学家使用它,为地质勘探工作提供更好的服务。
2018年,基于典型地下水污染研究领域的特点,李首选的主要控制因素在山区岩溶地下水污染的风险评估。在此基础上,定量因素确定的方法,建立了岩溶地下水污染风险评价指标体系。为了克服的缺点决定因素权重的方法,在传统的评价方法中,李决定了人工神经网络的结构模型结合选定的评价因素。和每一层的评价因素的权重系数计算。在此基础上,建立了岩溶地下水污染的风险评估模型。和地理信息系统将每个子层的重量,和地下水污染风险分区评估典型研究区域的地图。采用的方法他可以全面、客观地反映了一个事实,地下水污染是由多个因素,揭示了控制污染过程的非线性特征。然而,他的研究重点是建立模型,而不是优化算法。该算法还不容易理解和操作1]。2016年,Arabgol提供了一组很容易衡量的地下水水质变量(包括水温、电导率、地下水深度、总溶解固体,溶解氧,pH值,土地使用,和今年赛季)作为输入变量来预测硝酸盐浓度的工具。数据集包括160个水样,代表40个不同的井,和监控为1年。得到最好的支持向量机模型的相关参数使用4倍交叉验证和网格搜索技术的结合。最优模型用于预测含水层中硝酸盐的浓度阿拉克平原。支持向量机模型预测,硝酸浓度在训练数据集和测试阶段有一个相当高的相关性与测量值(0.92和0.87,分别地。),均方根误差是0.086和0.111,分别。最后,训练支持向量机模型和地理信息系统(GIS)插值方案被用来映射所有四季地下水中的硝酸盐浓度,结果是比physical-based(流动和污染物)模型。总的来说,结果表明,SVM模型可以作为一种快速、可靠和具有成本效益的方法,评价和预测地下水质量。然而,他的研究过程中有错误,导致结果的偏差(2]。2016年,髂骨确定滑坡的位置通过现场调查和解释的航拍照片,从而构建一个映射列表包含132个滑坡事件,同时确定和使用8个影响变量。所有的变量相关的滑坡转化为5×5米浮点栅格文件。这些输入光栅层包括岩性单元层、仰角层,坡角层,层,距离结构特征层,距离水文网络层,地形湿度指数层,和曲率层。开发模型的验证是通过使用未加工的滑坡数据的一个子集,展示一个令人满意的协议预期和现有滑坡敏感性水平,和预测率曲线下的面积约为0.808。成功率曲线下的面积约为0.828,表明现有的滑坡区域的分类率非常高。根据敏感性分析的结果,“yellow-gray-to-white泥灰岩岩性单元是最敏感的,和滑坡的相对频率变化最多。执行的总体结果分析提供关键的知识成功的土地利用规划和管理实践和减少风险的项目。然而,他只采样和收集的数据在滑坡,结果太小,不具备代表性,缺乏全面性(3]。
本文的创新如下:(1)人工神经网络的发展历史和现状进行了分析(4]。两个无监督学习网络算法进行了分析和研究,和两个计算过程测试。(2)模型的准确性提高了使用地质信息计算的婚姻,和改进的算法减少了可预测性的数据序列可以提高网络的分类效果。(3)最后,通过实验和相互比较,可以实现高效的分类,减少交互,简化自适应计算,简化算法,提高分类精度和输出数据效率(5]。通过以上工作,人工神经网络的安全性和可靠性模型在地理信息系统的空间分析得到改善(6]。
2。设计和实现方法的基础上,研究地理空间分析的人工神经网络模型
2.1。人工神经网络
人工神经网络(ANN)是基于人类的认知基础医学神经外科神经系统,探索使用计算机系统来模拟人类神经系统,计算机系统可以像一个神经系统(构造7]。人类的大脑可以执行工作记忆和加工。如果一个网络系统可以处理像人类的大脑,然后它就变成了一个处理过程类似于人类的大脑。人工智能是由大量的简单的小细胞(8]。这是系统的繁殖和目的。在各地大量的因素中,大量的单位广泛。人类大脑的一般网络,由实验和模拟,它代表了人类大脑的特点。它类似于人类的大脑在两个方面:自我调节能力强,能够学习和培训,并获得知识通过培训;信息可以学到知识(突触权重)存储在内部神经元。
早在20世纪初,科学家们模仿大脑组织结构模型和设计一个新的结构模型由计算机处理,存储和处理方法,采用存储和处理方法更接近人工神经,解决实验方法和实际状态。它可以大大提高计算机的工作效率,所以提出了(9]。在1990年代和1980年代,网络又一次取得了相当大的发展,与强大的效率和简化的算法,和相关的算法流程的效率大大提高(10]。
2.2。地理信息系统
地理信息系统是一个流程图的收集、管理、分析和显示地理相关路径的全部或部分土地空间的支持下,当代科学技术(11]。在1960年代,一个国家开发了世界上第一个地理信息系统,以促进网站的收集地质组成(12]。在1960年代末,美国启动了一项人口普查计划实现的采样和分析数据从不同的地区,它也用于道路和通讯管理。花了现代信息系统的最初形式。在1990年代和1980年代,各种类型的地质系统开始出现。随着科学和技术的成熟,收集的迅速发展,科学技术理论的逐步改善,系统技术已经逐渐成熟,逐渐被人们认识和接受。地理信息系统有大量的专业研究方法,相关链接进行地质分析。它可以将各种对象的空间地理位置与相应的视图、重组信息根据用户的需求,并获得令人满意的结果为用户通过空间分析工具,如数据挖掘、网络分析和缓冲区分析。是科学、直观、实时和多样化的功能。它是一种有效的决策方法13]。
2.3。网络模型
网络模型是由大量神经元彼此连接。尽管神经元的结构更为复杂,它实现的功能是非常简单的(14]。人工神经网络具有很强的交互功能的原因是,他们是由许多结构单元按照一定的互动关系(15]。根据过去的类别的人工神经网络,人工神经网络分为两种类型:神经网络,神经网络与自己和与自己没有交互。上述两种类型的人工神经网络将在下面介绍。
2.3.1。非交互的神经网络
非交互的神经网络是一种神经网络没有反馈。它的结构和相互组合结构,并具有明显的分层结构。因此,从外观,它是由几个相同的层和没有它们之间的互连。网络组成:信号从输入层到层的交互连接在一个方向。从起始层神经元连接到下一层(16]。每个神经元只接受在前一层神经元的输出作为输入和输出单元下面。没有相同的神经元之间的连接。一个非交互的神经网络的例子如图1(17]。这篇文章是关于使用最广泛的非交互的神经网络。
从图可以看出1,一个非交互的起始值,B之间的平均层节点和中间值开始,C是中间层节点之间的权重,最后一层节点,和D是最后一层节点,最后一个值。
2.3.2。互动的神经网络
交互神经网络是一个互动模型,如图2(18]。互动神经网络还包括初始值,中间值,结果值。每个单元同时使用自己的结果值作为输入与其他单位进行交互,它需要一段时间的工作达到稳定。如果总数量的神经元米,然后每个神经元都有米输入和一个输出;也就是说,每个神经元都必须与其他神经元(19]。它的值是一个开始,之间的平均数量开始一层一层节点和中间是B,以及随后的结果值d应用最广泛的神经网络互动是一个神经网络网站(20.]。
根据图2我们可以推导出算法步骤和BP神经网络的数学推导。BP神经网络算法分为九个步骤:
首先,使网络一般:米任意值(−1 10)并将这些任意值复制到每一层之间的互动价值,设置误差函数d,并确定具体的价值和学习的最大数量(21]。
其次,选择一个起始值及其对应的预测值在任意收集的数据:
根据数学公式,计算隐层的输入和输出:
计算 。第一个是和实际产出之间的误差预测值(22),然后计算每个节点的误差结果值:
计算 ,和使用连接的平均结果值的中间值,输出值 ,和输出的中间值计算错误为每个节点的过程值:
修改连接权 ,和使用每个节点的输出层和隐层的每个节点的输出修改连接权重 :
修改连接权 ,和使用隐层的每个节点,每个节点的输入的输入层重量修改连接 :
计算全球错误:
最后,判断是否要停止学习:当BP网络的误差达到设置错误或达到最大的学习次数,算法结束。否则,跳到第三步继续学习(23]。
尽管神经网络有许多优点,也有缺点。缺点主要如下:首先,过程神经网络的价值并没有一个明确的公式来指导。其次,因为单位在每一层的网络不是相互连接,它的效率也是固定的,所以当模块数据大,神经网络直接造成的效率是缓慢的。最后,BP神经网络通常会有局部最小值在整个困难,确实存在,所以计算精度不是很高24]。
因此,鉴于上述BP网络的问题和缺点,人们提出了几种方法来改善;常用的方法是附加动量法和自适应学习速率法(25]。
当增加因子方法纠正的数据网络,它的范围也被认为是减少的基础上。主要的方法是添加一个更改数据最后重量成反比和每个重量和阈值(阈值后26]。公式如下:
该方法的核心思想是影响最后改变体重增加动量因子作为阻尼器。存在动量因子减少振荡趋势,有效避免局部最小值的出现,提高了收敛速度和精度27]。
自适应学习速率法提出了BP神经网络的学习速率的问题很难确定。这种方法提供了一个良好的解决问题的办法太大或太小的学习速率,也大大减少了时间用于学习。一般来说,如果你想收敛更快,你应该提高学习速率。然而,如果学习速率过高,网络不会收敛。因此,提出了自适应学习速率的公式如下:
这种方法可以控制学习速率最大化的前提下确保误差满足目标需求,实现最快的学习速率时,允许误差,大大缩短时间用于网络学习。
2.3.3。RBF神经网络模型
RBF神经网络是一个J学者提出的模型和D学者在1980年代和1990年代早期。它是一个非交互式网络几层。RBF网络的最基本构成包括三层。起始值是一些初始组件;他们连接的网络世界;中间是唯一的网络中的过程,和它的功能是进行随机从初始值转换到中间空间;结果层是行式,它作用于发展的初始值;提供输入/结果状态反应可以使用以下公式:
其中,Z= (z1,z2……zm评选)的起始值,是函数的中点,是正常价值,决定了在中间值宽度,米流程级别值,过程价值和结果的平均价值节点l,输出层节点的最高点,然后呢x网络的输出(28]。因为裁判的过程的传递函数值网络使用一个变量函数,当输入数据接近的中心范围变量函数,中间数据将产生较大的输出,否则,将会产生一个更小的输出。
使用数据简化方法,其实质是改变传播的数据原则输入之间的误差的平均值计算值和实际预测数据是最小的:
最小二乘误差函数方程
的公式,b(一个)是实际的预测是当前网络的实际价值(29日]。数据还原,不断纠正负方向的平均值x直到输出误差x达到最小值。
的公式修改梯度下降方法的重量
在公式(12),的速度吗 可以改变,所以平均值可以修改。
3所示。设计与实现基于人工神经网络的研究实验方法在地理空间分析模型
3.1。系统的可行性分析
(1)技术路线的可行性分析:首先,使用MATLAB数值模拟软件模拟改进的BP神经网络模型,然后利用MATLAB编译器转换下米到一个可调用的DLL文件,因此BP神经网络模型可以综合地理信息管理系统。最后,数据操作和管理,相关技术如数据和文档数据库将用于提供相关支持系统。(2)来源分析:所有相关所需地质样品可以获得相关的参考书目的地缘政治监督单位。这个数据方法有相对较少的资金,其可靠性和准确性相对较高。因此,以这种方式获取相关数据可以有效地降低成本和提高可靠性。(3)系统操作和操作可行性分析:由于整个系统的开发过程是由作者独立进行,考虑到用户的计算机操作水平和能力,以及系统的美学和其他问题,作者将开发地理信息管理系统,操作方便,符合大多数用户的审美需求。
3.2。系统需求分析
需求分析是一个重要的工作之前,必须进行系统的开发。其工作包括确定系统要实现的功能,收集所需的数据,和理解用户的需求。(1)地理数据的存储和管理包括属性数据如地名、区域或当地的地形,和年龄的存在。和三维数据包括人口密度、人口摇摇欲坠的程度,人口,周围的地形和其他相关数据。这种地理情况的主要功能是能够保存和管理收集到的数据和为其他应用程序的实现提供保证。此外,该系统必须能够更新数据,以确保它的稳定性。(2)地理信息查询和分析:在完成收集到的数据的存储和管理,该系统将允许用户查询这些数据,这样用户可以有直观的了解相关的人口数据,然后使用这些数据来分析一些地理条件,以反映空间数据的情况。(3)地形图研究:以反映一个地区的地理情况相关数据的基础上,有必要属性集成三维数据,然后做出相应的地图通过提供的数据网络。(4)地理空间分析:过去的数据和信息,通过改进的BP神经网络模型用于让用户直观的了解未来的地理发展,然后使用它作为一个强大的基础制定相关的地理空间。
例如,函数含有丰富的数据信息。组成和结构的地质和间隔的液体性质影响的观测的区别。因此,各种参数的测井曲线与岩石岩性分析的基础。岩石的鲁棒性的测井曲线包括普通潜力,普通电流,和阻力。选择普通电流和电阻率勘探岩性。
当使用数据值来识别地质岩性,首先,基于岩石样本和参数的相应特征,岩性岩石样本的分类区域分为发光灰岩、粉砂岩,细粒度的石灰岩。提取参数值对应于一些不同类型的岩石样本,确定岩性之间的互动关系和参数值,见下表1,然后通过程序创建相应的模型。
从表可以看出1算法系统自动调整的功能,可以收集到的样本进行分类;它具有较强的可操作性和高分辨率的样品;研究表明,模型的应用程序对数据岩性识别是可以实现的。
4所示。实验结果基于人工神经网络模型的设计和实现方法在地理空间分析
4.1。调查内容和样品分析
根据省提供的综合信息,确定的内容金矿分布的观测目标,网络模型用于研究金矿床的分布的异常面积单位。结果表明,黄金有一些相关性的发展,提供一些数据支持金矿省。
从图可以看出3除法是用来划分整个。根据黄金省的分布区域,共有100矿床密集区和浓度异常区域单元划分,其中有5个单位存款集中区域模型,被数过了一个,b、…e,75枚异常集中地区,数量是001,002,…,089;见表2。
其中,定值分配给定值和逻辑值分配给等级评价结果没有定值和逻辑关系。采用二进制变量的逻辑值,x的存在和y不存在。见表2获取详细信息。
根据参数表2为了探索网络,10金矿集中区域的数据单位的部门选择被称为初始BP网络的训练模式,如表所示2。每个金矿集中区域的范围单位作为目标结果模型的训练。存款的大小可分为大、中、小单元,如图4。
从图可以看出4练习完成后,用户可以点击“偏转程度”选项进入误差曲线来查看这个练习的错误减少。使用实践模式收集数据训练网络模型来确定网络的平均值和故障。运动成功后,初始层的初始网络预测样本,初始值为广播从最初的最后一层一层一层中间,和BP网络的预测价值计算。
4.2。模型的应用
为了测试稳定的地质评价模型功能和操作结果的可靠性,两县的数据选为地质灾害模型的例子。这两个县做geohazard-related病例。县一个用于测试的数据模型和数据从县B用于确保模型是可靠的。县的地理形式是由沙地。县B以平原为主的地形,用小平原和低山穿过山丘。
当代地质分布在丘陵、小河流流域,和一些浅滩;白垩纪地层位于Xiaopingdi,来自南方的丘陵和浅滩沙丘在县B;浅的西部和南部丘陵地区B和低山区在a的东部侏罗纪地层。每一层的局部特征如表所示3。
从表可以看出3,在该地区泥石流灾害的主要类型,崩溃,摇摇欲坠的斜坡。调查后,61地质点被发现在县,其中47例泥石流,4崩溃,和10个摇摇欲坠的斜坡。泥石流是主要的,主要是中小规模。灾害主要分布在5在东部城镇低山区;19个地质灾害发生在B县,包括9摇摇欲坠的斜坡,6泥石流,4崩溃。不稳定斜坡县的主要类型,类型主要是小规模的。灾害主要分布在南部低山。
使用收集到的数据的县,海拔,切削深度、地质灾害状态层和预测结果层容易引起地区的编制根据图像表达。评价因子层后如图5。
从图可以看出5通过提取函数模型的地质灾害信息系统的分析,选择采样高度,切削深度、地质灾害的现状,和预期输出的最后一层,然后依次完成每一层根据指导。数据提取,最后输出作为一个数据库。计算方法是根据一定的增量价值设置不同的速度来获得相应的错误值。速度的设定范围值一般是0.1到9日和增量值是0.3。培训完成后,使记录速度值和相应的误差到训练误差比较表的表4图和训练误差分析6。
它可以清楚地发现从图6当网络的扩张速度模型是≥1.0,相应的误差曲线开始直接和扁平。因此,在这里我们把速度= 1.3的值曲线的拐点作为最终的网络模型的训练参数完成网络的训练模式。图7是软件的训练曲线当速度是1.3。
从图可以看出7评价模型训练完成后,县B的数据,具有相似的地质环境条件为县、和网络模型参数在前面完成训练用于生成geohazard-prone地区,然后生成geohazard-prone地区执行叠加分析与实际地质灾害调查来验证模型的可靠性。我们已经统计在不同层次的地质灾害的数量分易发地区,并统计结果如表所示5。
从图的分析7和表5可以看出,地质灾害点分布在易发地区,占99.7%,和灾害nonprone地区分布较少,比例为0.3%,这是符合实际情况的地质灾害在郊区。此外,在地质灾害易发地区,地质灾害的高风险的比例和moderate-prone地区占76.9%,和灾难的数量分低级多发地区占22.8%。它基本上是符合实际的水平,可以满足geography-related工作的需要。
5。结论
本文探讨了神经网络的研究过程和其书指导。对于网络的函数图,数据分类方法是用来给一个简单的和谨慎的表达。广泛的BP算法研究的基础上,我选择了算法和程序完成。使用层次分析法、信息分析方法和人工网络分析方法,样本收集,目前的人工网络的瓶颈进行了分析,提出相应的算法,简化。并创建一个旧模式。在调查系统的A和B的县,61年县地质灾害被发现,其中47例泥石流,4崩溃,和10个斜坡。有19 B县地质灾害,包括9斜坡,6泥石流,4崩溃。与新模型比较,结果表明,地质灾害都分布在区域容易geo-geological灾害,比率为99.7%。nonprone地区,地理分布较少,比例为0.3%。此外,high-prone地区和medium-prone地区,该地区遭受的比例占76.9%,和痛苦的数量点low-prone地区占22.8%。 The geographical and geological grades divided by the evaluation model are basically consistent with the actual grades, which can meet the needs of the geographical evaluation work. The shortcomings of this paper are as follows: first, the original neural network algorithm is improved in this subject, but the improved method of this subject does not significantly improve some special data, and the neural network model has room for improvement; secondly, the project requirements of the project and some collection forms are uncertain, and the supervision indicators are not clear enough, so that some operation procedures and database design are not concise and even cumbersome. Therefore, in the simplification and refinement of future models, we can specifically simplify and standardize data collection methods for specific data, simplify the process, and make the artificial neural network model have profound operability in the geographic information system.
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。
确认
本研究的主要研究项目支持的创新学院绿色制造、中国科学院(iagm - 2019系)和国家社会科学基金(18 vdl010),和联盟的国际科学组织(anso - cr - kp - 2020 - 02)。