一、BP神经网络在地质样品测定中的应用(论文文献综述)
洪一鸣[1](2021)在《松辽盆地南部火石岭组火山岩测井响应特征与岩性识别》文中认为火山岩油气藏的勘探与研究已经逐步形成了一套完善体系,并且在松辽盆地中的应用已经取得较好的效果。近年来在松辽盆地南部火石岭组火山岩层系中不断取得重大的勘探突破,预示该地区的火山岩油气藏具有一定的勘探潜力。火山岩岩性的准确识别是火山岩油气勘探的基础,但由于岩心岩屑样品来源的局限性,仅使用地质样品无法实现全井段的岩性序列构建。相对而言,常规测井资料对火山岩岩性的变化响应明显,在纵向上连续性强、分辨率高,所以利用测井实现岩性序列的重构就显得十分重要。但目前广泛应用的基于常规测井数据的岩性识别方法仅能针对某个地区有效,一旦进行跨地区应用或遇到研究区岩性复杂的情况,则会表现出识别率低的特点。本文以松辽盆地南部长岭断陷和梨树断陷钻遇火石岭组的18口钻井为研究对象,通过岩心描述和薄片鉴定,确定火石岭组火山岩的主要发育类型,总结这些岩性的测井响应特征并提取它们的测井数据,基于这些火山岩的测井数据,应用交会图法和近年来在各个领域应用广泛的BP神经网络法来对研究区的火山岩进行岩性识别工作,完成重构火石岭组火山岩岩性序列,为后续火山岩储层评价奠定基础。1.松辽盆地南部火石岭组主要发育火山岩类型通过对松辽盆地南部长岭断陷和梨树断陷303m的火石岭组取心段进行岩心描述和薄片鉴定,确定松辽盆地南部火石岭组共发育八种火山岩,分别为玄武岩、安山岩、安山质角砾熔岩、安山质角砾岩、安山质凝灰岩、流纹岩、流纹质角砾岩和流纹质凝灰岩。2.松辽盆地南部火石岭组火山岩测井响应特征通过对研究区发育的八种火山岩对应的测井曲线进行分析,总结不同火山岩的测井响应特征。研究区的火山岩自然伽马值从基性岩到酸性岩逐渐升高,在安山岩类中,还呈现出碎屑岩大于熔岩类;在补偿中子值上,玄武岩最高;声波时差值中,玄武岩最低,安山质角砾熔岩和流纹质角砾岩相较于其他岩性高。流纹质角砾岩的深浅侧向电阻率值最低;其他岩性的值则明显高于流纹质角砾岩;各岩性具有近似的密度值,但流纹质角砾岩密度值的变化幅度是最小的。3.基于常规测井数据的火山岩岩性识别方法对比与优选共选取八种火山岩对应的测井曲线数据258组,按照7:3的比例随机分为训练数据和预测数据,训练数据用于建立岩性识别模型,预测数据用于统计岩性识别模型的符合率。在方法上选择常规交会图法以及BP神经网络法,其中交会图法识别研究区火山岩的符合率最高达到了55%;应用BP神经网络法,并引入Dropout防止过拟合,结果表明,引入Dropout的BP神经网络法对研究区火山岩的识别符合率达到了89.03%,可以有效区分研究区主要火山岩岩石类型。4.方法应用进行了原地训练原地应用和原地训练异地应用。应用此BP神经网络岩性识别模型对长岭断陷的2口钻井进行火石岭组火山岩全井段识别,经与岩心、岩屑进行对比发现,该岩性识别模型在研究区具适用性。同时选取了海拉尔盆地的钻井取心段,将其对应的测井数据输入到BP神经网络中,将输出的结果与原岩性进行对比,评价该模型的跨地区适用性。结果显示,用原训练集训练的神经网络不能有效区分海拉尔盆地的火山岩,因此选取了海拉尔取心段的8种火山岩共592组标准测井数据,在保持原BP神经网络结构的前提下进行针对性训练,最终符合率达到了91.7%。
李媛[2](2021)在《基于XRF与机器学习的锌冶炼渣重金属定量分析研究》文中进行了进一步梳理锌冶炼浸出渣、钴镍渣、锌焙砂是湿法炼锌工艺产出的冶炼固废渣及中间产物,因含有Zn、Cu、Pb、Ag、Cd、As等多种有价金属元素,其资源化利用潜力巨大。然而由于其成分含量不稳定,检测精度不足等原因,导致关键元素的资源转化效率难以保证,因此对冶炼渣关键资源组分的精准定量分析在锌冶炼行业绿色发展方面具有重大意义。本文以Zn、Cu、Pb、Cd、As五种目标元素为分析对象,分别采用XRF工作曲线法和XRF结合机器学习的方法对浸出渣、钴镍渣、锌焙砂中以上五种目标元素进行定量分析研究,以相对误差、相对标准偏差作为方法的评价指标,对两种方法进行分析比较。工作曲线法是以从工业现场采集的样品作为标准化样品进行ICP-AES检测,将ICP-AES检测结果作为目标元素定量分析基准值,随后对样品进行X射线荧光光谱(XRF)检测,建立目标元素工作曲线,利用工作曲线对各目标元素进行定量分析。XRF结合机器学习的方法是首先建立样品自动分类模型根据以上三种样品的XRF全谱图信息将样品分类,然后利用RBF神经网络,根据分类结果对每一类样品分别构建样品中五种目标元素含量预测模型,实现浸出渣、钴镍渣、锌焙砂样品目标元素含量预测。结果表明,两种方法均能实现固废样品目标元素的定量分析。工作曲线法相对误差均值为2.81%,相对标准偏差均值为2.24%;XRF结合机器学习的方法相对误差均值为0.32%,相对标准偏差均值为0.8%。因此,XRF结合机器学习的方法能够实现在无人为干预的情况下对三种样品全自动精准分类,根据样品的分类结果选择适当的定量分析模型,并对固废样品进行精准定量分析和基体校正,且分析结果优于传统工作曲线分析方法。
何庆驹,葛良全,李飞,卢恒,温自强,覃建强[3](2020)在《VLBP神经网络在能量色散X荧光定量分析中的应用》文中研究指明基于基础BP神经网络,将VLBP神经网络应用在能量色散X荧光分析中。并分别采用基础BP、VLBP两个模型,对同一批实测铅锌矿样本进行预测,证明VLBP算法在定量分析中的优势。然后通过使用VLBP算法对铅锌矿石样品的Zn元素含量进行了预测,并与样品化学分析值对比。结果表明:预测值与化学分析值的相对误差小于5%。从样本中选取特征峰计数超过训练范围的样品进行预测,预测值与参考值的相对误差小于5%,可作为一个新型有效的方法应用在地质样品元素定量分析领域。
李强,杨天邦,涂公平[4](2018)在《GA-BP神经网络模型应用于岩芯扫描仪测定海洋沉积物中多种组分的半定量分析》文中研究说明采用岩芯扫描仪测定海洋沉积物中的Al2O3、SiO2、K2O、CaO、TiO2、MnO、Fe2O3、V、Cr、Cu、Zn、Rb、Sr、Y、Zr、Ba和Pb等17种元素,尝试引入遗传算法(GA)优化的BP神经网络模型利用其非线性拟合能力校正基体效应。实验表明,以水系沉积物、海洋沉积物和岩石国家标准物质以及定值海洋沉积物样品为校准样品,采用压片法制样,测定校准样品中相关组分的强度,并作为训练样本代入GA-BP神经网络(17-18-17),可以有效校正基体效应的影响,建立半定量预测模型。海洋沉积物实际岩芯样品的分析结果表明,各层位待测组分预测值与分层取样定值结果的变化趋势基本吻合,适合于海洋沉积物中多种主次量组分的快速分析。
李强,刘坚,李小穗,涂公平,杨天邦[5](2016)在《基于遗传算法的BP神经网络模型在岩心扫描仪测定海洋沉积物多种组分中的应用研究》文中研究说明海洋沉积物样品成分复杂,由于基体效应的影响,利用岩心扫描仪开展X射线荧光光谱分析只能得到目标元素的强度信息,不利于该方法在成矿机制和古环境等研究领域更好地发挥作用。本文采用岩心扫描仪测定海洋沉积物中的铝硅钾钙钛锰铁钒铬铜锌铷锶钇和铅15种元素,尝试引入BP神经网络模型利用其非线性拟合能力校正基体效应。实验表明,以水系沉积物、海洋沉积物和岩石国家标准物质以及定值海洋沉积物样品为训练样本,采用遗传算法优化BP神经网络的初始权值和偏置,可以有效校正除硅之外的14种元素基体效应的影响,实现了岩心扫描仪XRF测量结果由强度到浓度的转化。本方法的精密度为0.6%6.8%(RSD,n=11),国家标准物质和海洋沉积物实际样品中15种组分的预测值与参考值的相对偏差在0.5%17.5%之间,适合于海洋沉积物中多种主次量组分的快速分析,拓展了岩心扫描仪的功能。
申明金[6](2016)在《Kohonen-Elman网络在同时测定铸铁中锡钼锑中的应用》文中进行了进一步梳理多组分同时测定时,由于组分间的相互影响,特征波长的选择是影响计算精度的重要因素。Sn?、Mo?和Sb?均可与水杨基荧光酮(SAF)和溴化十六烷基三甲胺(CTMAB)发生高灵敏度的显色反应,生成稳定的三元胶束化合物,但紫外吸收光谱重叠严重。实验提出将Kohonen神经网络与Elman网络相结合建立了铸铁中3种金属同时测定的定量分析方法。方法利用Kohonen神经网络的聚类能力选择特征波长点,然后用优化后的Elman神经网络对优选特征波长点处的吸光度数据建立预测模型。结果表明,用从全谱中选出的26个波长点吸光度数据建模,整体预测效果最好。将实验方法用于合成样测定,预测结果与实际浓度的平均相对误差绝对值在2.24%3.10%之间;用于铸铁样中Sn、Mo和Sb同时测定,测定值与原子吸收光谱法测定值吻合较好,相对标准偏差(RSD,n=7)在1.2%2.7%之间。
赫敏[7](2014)在《应用人工神经网络结合遗传算法同时测定色氨酸、酪氨酸和苯丙氨酸》文中研究说明多组分的紫外光谱严重重叠并且相互干扰,无法用传统化学方法测定。运用化学计量学方法对重叠信号进行分辨,实现了对合成未知样品的同时测定。本文主要研究应用化学计量学方法中的人工神经网络(Artificialneural networks,ANN)和遗传算法(Genetic Algorithms,GA)结合紫外分光光度法进行多组分同时测定,建立色氨酸、酪氨酸和苯丙氨酸三组分同时测定体系,具体研究内容如下:1.应用BP人工神经网络(BP-ANN)对色氨酸、酪氨酸和苯丙氨酸同时测定并解析三种混合物的重叠光谱,光度法不经分离同时测定三种氨基酸,将BP网络模型应用于大豆氨基酸的同时测定。2.遗传算法优化BP-ANN的结构和参数,避免BP算法通过重复实验测试来确定隐含层个数,提高了网络的学习速度和效率。遗传神经网络解决了BP-ANN的过训练和过拟合问题,快速确定BP神经网络结构。GA-BP有效地弥补BP网络在网络结构、权值和阈值选择上的随机性缺陷,充分利用GA的全局搜索能力和BP网络的局部搜索能力,从而增强网络的智能搜索能力,缩短了网络收敛时间。3.应用遗传神经网络(GA-BP)对色氨酸、酪氨酸和苯丙氨酸浓度同时测定并解析三种氨基酸的重叠光谱,建立GA-BP同时测定混合氨基酸的模型。将GA-BP应用在大豆氨基酸组分测定,结果满意。本文将化学计量学中的两种方法结合起来,建立了稳定性高预测能力强的GA-BP模型。为合成未知样品的同时测定、化学分析、药物合成及其他方面提供了新思路和新方法,具有一定的理论指导意义和实际应用价值。
龚诚,杨佩,杨鹔,李杉杉[8](2012)在《化学计量学在贵金属多元素同时测定中的应用进展》文中提出近年来,贵金属多元素同时测定在贵金属分析测试中较为活跃,成为发展最快的研究领域之一。但多元素复杂组分同时测定时,存在的干扰问题一直困扰着诸多分析工作者,化学计量学的出现为解决这一问题带来了契机。对卡尔曼滤波法、偏最小二乘法、人工神经网络、遗传算法等化学计量学方法在贵金属多组分同时测定中的应用进行了综述,分析了各种方法的优缺点,最终阐明了化学计量学在贵金属分析中具有广阔的应用前景。
孟海东,殷跃,孙家驹,徐贯东,王森[9](2012)在《BP神经网络在矿产资源分类识别中的应用》文中研究指明利用BP神经网络对矿产资源进行分类识别,以铁矿石和铜矿石2种矿石的颜色、条痕、光泽、解理、断口、比重和硬度7种样本数据作为BP神经网络对矿产资源分类的影响因素。通过对神经网络的训练、测试,其有效识别率达90%以上。实现了矿产资源分类的快速、准确识别的目的。
殷跃[10](2012)在《矿产资源分类与鉴别系统研究》文中研究说明矿产资源是国家经济建设的重要前提和基本动力之一。对矿产资源分类与鉴别的研究是矿产资源开发研究中一个重要的方面,对矿产资源的开发与利用有重要的意义。现有的矿产资源分类与鉴别大部分都是利用矿产资源的化学成分分析来实现,本文则利用矿产资源的物理性质特征来实现对矿产资源的分类与鉴别。本文以8类常见金属矿产资源作为研究对象,以实现对矿产资源快速、准确的分类与鉴别为目的。提出了一种基于BP神经网络的矿产资源分类与鉴别系统研究的方法。本文使用MATLAB7.0软件的工具箱来创建基于BP神经网络的矿产资源分类与鉴别系统,来实现对矿产资源快速、准确的分类与鉴别。论文的主要研究内容如下:(1)在分析了国内外矿产资源分类与鉴别的研究现状的基础上,收集、整理矿产资源的物理性质特征数据。(2)对矿产资源的性质特征数据进行了统计分析研究,从中选取了颜色、条痕、光泽、解理、断口、比重和硬度七种对矿产资源有重要影响的特征作为实验研究的数据,这些也是矿产资源分类与鉴别系统研究的数据基础。(3)根据BP神经网络应用于分类与鉴别的原理,提出了对矿产资源分类与鉴别的研究步骤,研究建立基于BP神经网络的矿产资源分类与鉴别系统的关键技术,包括样本的选取与预处理、输入输出变量的选取、隐含层节点数的确定、初始权值和阈值的选取、训练算法及参数的选取。(4)选取不同的训练算法和隐含层节点数对矿产资源的训练样本进行训练,然后用未经训练过的测试样本对训练好的网络进行测试,最终确定能够对矿产资源快速、准确分类与鉴别的理想的训练算法和隐含层节点数。研究结果表明建立的矿产资源分类与鉴别系统基本上能够对这8类常见金属矿产资源进行分类与鉴别,且系统对训练样本的学习正确率均在95%以上,系统对测试样本的鉴别正确率均在80%以上。通过研究发现:性质特征相近的矿石之间容易相互影响以及伴生矿石的复杂性质特征都会导致系统对测试样本的鉴别正确率降低。
二、BP神经网络在地质样品测定中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BP神经网络在地质样品测定中的应用(论文提纲范文)
(1)松辽盆地南部火石岭组火山岩测井响应特征与岩性识别(论文提纲范文)
中文摘要 |
abstract |
第1章 引言 |
1.1 选题来源、目的及意义 |
1.1.1 选题来源 |
1.1.2 选题目的及意义 |
1.2 研究现状 |
1.2.1 基于常规测井数据的传统交会图法岩性识别技术 |
1.2.2 基于常规测井数据的多参数-计算机技术岩性识别方法 |
1.2.3 基于常规测井和成像测井与元素测井数据的岩性识别方法 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 实物工作量 |
第2章 松辽盆地南部主要断陷地质概况 |
2.1 区域构造特征 |
2.1.1 长岭断陷区域构造特征 |
2.1.2 梨树断陷区域构造特征 |
2.2 区域地层特征 |
第3章 松辽盆地南部火石岭组主要火山岩类型及测井响应特征 |
3.1 松辽盆地南部火石岭组主要火山岩类型 |
3.1.1 玄武岩 |
3.1.2 安山岩 |
3.1.3 安山质角砾熔岩 |
3.1.4 安山质角砾岩 |
3.1.5 安山质凝灰岩 |
3.1.6 流纹岩 |
3.1.7 流纹质角砾岩 |
3.1.8 流纹质凝灰岩 |
3.2 松辽盆地南部火石岭组火山岩测井响应特征 |
3.2.1 本文所用火山岩测井曲线类型和方法原理 |
3.2.2 火石岭组火山岩测井响应特征 |
第4章 基于常规测井数据的交会图与BP神经网络岩性识别方法对比与优选 |
4.1 测井数据的选取与分析 |
4.1.1 测井数据的选取 |
4.1.2 测井数据的分析 |
4.2 基于常规测井数据的交会图法火山岩岩性识别 |
4.2.1 基于常规测井数据的直接交会图法火山岩岩性识别和结果 |
4.2.2 基于常规测井数据的分级交会图法火山岩岩性识别和结果 |
4.3 基于常规测井数据的 BP 神经网络法岩性识别 |
4.3.1 BP 神经网络基本原理 |
4.3.2 BP神经网络中神经元留存的Dropout方法 |
4.3.3 引入Dropout的BP神经网络方法识别松辽盆地南部火山岩岩性 |
4.3.4 基于常规测井数据的BP神经网络方法火山岩岩性识别和结果 |
4.4 交会图法与BP神经网络法火山岩岩性识别方法对比与优选 |
第5章 基于常规测井数据的BP神经网络法火山岩岩性识别在两种场景中的应用:原地训练原地应用和原地训练异地应用 |
5.1 基于常规测井数据的BP神经网络法识别松辽盆地长岭断陷全井段岩性(原地训练原地应用) |
5.2 基于常规测井数据的BP神经网络法识别海拉尔盆地火山岩岩性 |
5.2.1 应用松辽盆地南部选取的训练数据(原地训练异地应用) |
5.2.2 应用重新选取的海拉尔盆地训练数据(原地训练原地应用) |
5.3 BP神经网络岩性识别方法存在的问题和可能的改进方向 |
5.3.1 BP 神经网络岩性识别存在的问题 |
5.3.2 BP 神经网络岩性识别可能的改进方向 |
结果与讨论 |
参考文献 |
附录 |
作者简介及科研成果 |
致谢 |
(2)基于XRF与机器学习的锌冶炼渣重金属定量分析研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 锌冶炼固废常规定量分析方法 |
1.3 XRF定量分析方法研究进展 |
1.3.1 XRF基本原理 |
1.3.2 传统XRF无标样分析法研究进展 |
1.3.3 工作曲线法研究进展 |
1.3.4 XRF结合化学计量法定量分析研究进展 |
1.4 研究意义与技术路线 |
第二章 实验方法与理论基础 |
2.1 样品采集 |
2.2 实验样品目标元素浓度值测定 |
2.2.1 实验设备及材料 |
2.2.2 标准溶液的制备及标准曲线的建立 |
2.2.3 样品预处理 |
2.2.4 样品检测与结果分析 |
2.3 样品XRF检测 |
2.3.1 实验材料及设备 |
2.3.2 样品预处理 |
2.3.3 目标元素特征谱线选取 |
2.3.4 测试时间确定 |
2.3.5 样品测试 |
2.4 样品分类方法 |
2.4.1 KNN算法 |
2.4.2 SVM算法 |
2.4.3 SOM神经网络 |
2.5 RBF神经网络元素含量预测模型 |
2.5.1 RBF神经网络简介 |
2.5.2 RBF神经网络学习 |
2.5.3 RBF神经网络模型的建立 |
第三章 XRF工作曲线建立及精度分析 |
3.1 引言 |
3.2 目标元素工作曲线的建立 |
3.2.1 锌焙砂目标元素工作曲线的建立 |
3.2.2 钴镍渣目标元素工作曲线的建立 |
3.2.3 浸出渣目标元素工作曲线的建立 |
3.3 工作曲线定量分析精准度分析 |
3.3.1 XRF工作曲线法对锌焙砂目标元素定量分析 |
3.3.2 XRF工作曲线法对钴镍渣目标元素定量分析 |
3.3.3 XRF工作曲线法对浸出渣目标元素定量分析 |
3.4 本章小结 |
第四章 基于机器学习的优化 |
4.1 引言 |
4.2 利用机器学习实现样品自动分类 |
4.2.1 XRF结合KNN算法实现样品分类 |
4.2.2 XRF结合SVM算法实现样品分类 |
4.2.3 XRF结合SOM神经网络实现样品分类 |
4.2.4 分类方法比较 |
4.3 基于XRF-RBF神经网络的目标元素含量预测 |
4.3.1 RBF神经网络对锌焙砂目标元素含量的预测 |
4.3.2 RBF神经网络对钴镍渣目标元素含量的预测 |
4.3.3 RBF神经网络对浸出渣目标元素含量的预测 |
4.4 RBF神经网络预模型与工作曲线分析模型比较 |
4.4.1 精密度分析 |
4.4.2 准确度分析 |
4.4.3 目标元素不同浓度下两种方法的精度分析 |
4.5 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
附录 攻读学位期间学术成果 |
(3)VLBP神经网络在能量色散X荧光定量分析中的应用(论文提纲范文)
1 神经网络原理和算法 |
2 实验设计 |
2.1 仪器 |
2.2 试样 |
2.3 测试 |
3 结果与讨论 |
3.1 单次训练步长 |
3.2 训练步长稳定性对比 |
3.3 测量结果比较 |
3.4 外泛化验证 |
4 结论 |
(4)GA-BP神经网络模型应用于岩芯扫描仪测定海洋沉积物中多种组分的半定量分析(论文提纲范文)
1 实验部分 |
1.1 仪器及测量条件 |
1.2 校准样品及各组分含量范围 |
1.3 样品制备 |
2 结果与讨论 |
2.1 Mylar膜的影响 |
2.2.2 GA-BP神经网络的训练 |
2.3 BP神经网络半定量预测模型以及应用效果 |
3 结论 |
(5)基于遗传算法的BP神经网络模型在岩心扫描仪测定海洋沉积物多种组分中的应用研究(论文提纲范文)
1 实验部分 |
1.1 仪器及测量条件 |
1.2 校准样品及各组分含量范围 |
1.3 样品制备 |
2 结果与讨论 |
2.1 XRF分析测量条件的选择 |
2.2 基体效应的校正 |
2.2.1 BP神经网络模型的建立 |
2.2.2 遗传算法模型的建立 |
2.2.3 GA-BP神经网络的训练 |
2.3 基于BP神经网络模型的方法精密度 |
2.4 BP神经网络模型预测的应用 |
2.4.1 国家标准物质的预测结果 |
2.4.2 海洋沉积物实际样品的预测结果 |
3 结论 |
Highlights: |
(6)Kohonen-Elman网络在同时测定铸铁中锡钼锑中的应用(论文提纲范文)
1 方法原理 |
1.1 Kohonen网络结构及算法原理 |
1.2 Elman神经网络的基本原理 |
2 实验部分 |
2.1 主要仪器与试剂 |
2.2 实验方法 |
3 结果与讨论 |
3.1 吸收光谱 |
3.2 Kohonen网络对波长点的优化 |
3.3 Elman神经网络的优化 |
3.4 共存离子的干扰 |
4 样品测定 |
4.1 合成样 |
4.2 实际样品 |
5 结语 |
(7)应用人工神经网络结合遗传算法同时测定色氨酸、酪氨酸和苯丙氨酸(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 GA 和 BP 的国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 本工作的研究内容 |
1.4 研究特色 |
1.5 创新之处 |
第二章 BP 与 GA-BP 的原理方法 |
2.1 BP 人工神经网络 |
2.1.1 数据的预处理 |
2.1.2 BP 网络的创建 |
2.1.3 BP 网络学习过程 |
2.2 遗传算法 |
2.2.1 遗传算法表达式 |
2.2.2 遗传算法的基本过程 |
2.2.3 遗传算法的运算步骤 |
2.3 遗传算法优化 BP 神经网络 |
2.3.1 遗传神经网络的特点 |
2.3.2 GA 与 BP 的融合点 |
2.3.3 BP 与 GA-BP 的验证评价模型 |
2.4 氨基酸混合物的 BP 模型设计 |
2.5 氨基酸混合物的 GA- BP 模型设计 |
第三章 实验部分 |
3.1 引言 |
3.2 目的 |
3.3 原理 |
3.4 仪器和试剂 |
3.4.1 仪器 |
3.4.2 药品与试剂 |
3.5 实验步骤 |
3.5.1 测定波长的选择 |
3.5.2 线性范围和酸度影响 |
3.5.3 标准混合液测定 |
3.6 样品分析 |
3.7 结果与讨论 |
3.7.1 BP 模型 |
3.7.2 GA-BP 模型 |
3.7.3 GA-BP 与 BP 对比分析 |
3.8 小结 |
第四章 结论 |
4.1 结语 |
参考文献 |
致谢 |
个人简历 |
攻读硕士学位期间发表和完成的学术论文 |
(8)化学计量学在贵金属多元素同时测定中的应用进展(论文提纲范文)
0 引言 |
1 卡尔曼滤波法 |
1.1 卡尔曼滤波法的原理及应用 |
1.2 卡尔曼滤波法的缺陷 |
2 偏最小二乘法 |
2.1 偏最小二乘法的原理及应用 |
2.2 偏最小二乘法的缺陷及优化 |
3 人工神经网络 |
3.1 人工神经网络的原理及应用 |
3.2 人工神经网络的缺陷及优化 |
4 遗传算法 |
4.1 遗传算法的原理及应用 |
4.2 遗传算法的缺陷及优化 |
5 展望 |
(10)矿产资源分类与鉴别系统研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题背景 |
1.2 国内外研究现状 |
1.3 选题的目的和意义 |
1.4 课题研究的主要内容 |
2 矿产资源的特征 |
2.1 矿产资源的形态 |
2.2 矿产资源的化学组成 |
2.3 矿产资源的物理性质 |
2.3.1 矿产资源的颜色 |
2.3.2 矿产资源的光泽 |
2.3.3 矿产资源的条痕 |
2.3.4 矿产资源的透明度 |
2.3.5 矿产资源的解理 |
2.3.6 矿产资源的硬度 |
2.3.7 矿产资源的断口 |
2.3.8 矿产资源的其它物理性质 |
2.4 本章小结 |
3 人工神经网络 |
3.1 人工神经网络的分类 |
3.2 人工神经网络的学习规则 |
3.3 人工神经网络的特点 |
3.4 基本 BP 神经网络 |
3.4.1 BP 神经网络 |
3.4.2 BP 神经网络算法 |
3.4.3 基本 BP 算法的局限性 |
3.4.4 基本 BP 算法的改进 |
3.5 本章小结 |
4 基于 BP 神经网络的矿产资源分类与鉴别模型的建立 |
4.1 矿产资源主要特征因素的选取 |
4.2 BP 神经网络输入数据的预处理 |
4.3 BP 神经网络拓扑结构的研究 |
4.4 BP 神经网络参数的选取 |
4.5 BP 神经网络的测试分析 |
4.6 本章小结 |
5 基于 BP 神经网络的矿产资源分类与鉴别系统研究 |
5.1 矿产资源实验样本的选取 |
5.2 矿产资源分类与鉴别系统的研究内容 |
5.3 黑色金属矿石分类与鉴别实验 |
5.3.1 黑色金属矿石实验数据的处理 |
5.3.2 黑色金属矿石实验数据的预处理 |
5.3.3 网络函数及参数的选择 |
5.3.4 系统对黑色金属矿石数据的训练及测试结果分析 |
5.4 有色金属矿石分类与鉴别实验 |
5.4.1 有色金属矿石实验数据的处理 |
5.4.2 系统对有色金属矿石数据的训练及测试结果分析 |
5.4.3 铅矿石和铀矿石分类与鉴别实验 |
5.5 本章小结 |
6 结论与展望 |
6.1 论文结论 |
6.2 论文展望 |
参考文献 |
在学研究成果 |
致谢 |
四、BP神经网络在地质样品测定中的应用(论文参考文献)
- [1]松辽盆地南部火石岭组火山岩测井响应特征与岩性识别[D]. 洪一鸣. 吉林大学, 2021(01)
- [2]基于XRF与机器学习的锌冶炼渣重金属定量分析研究[D]. 李媛. 昆明理工大学, 2021
- [3]VLBP神经网络在能量色散X荧光定量分析中的应用[J]. 何庆驹,葛良全,李飞,卢恒,温自强,覃建强. 核电子学与探测技术, 2020(04)
- [4]GA-BP神经网络模型应用于岩芯扫描仪测定海洋沉积物中多种组分的半定量分析[J]. 李强,杨天邦,涂公平. 分析仪器, 2018(01)
- [5]基于遗传算法的BP神经网络模型在岩心扫描仪测定海洋沉积物多种组分中的应用研究[J]. 李强,刘坚,李小穗,涂公平,杨天邦. 岩矿测试, 2016(05)
- [6]Kohonen-Elman网络在同时测定铸铁中锡钼锑中的应用[J]. 申明金. 冶金分析, 2016(08)
- [7]应用人工神经网络结合遗传算法同时测定色氨酸、酪氨酸和苯丙氨酸[D]. 赫敏. 青海师范大学, 2014(03)
- [8]化学计量学在贵金属多元素同时测定中的应用进展[J]. 龚诚,杨佩,杨鹔,李杉杉. 黄金, 2012(09)
- [9]BP神经网络在矿产资源分类识别中的应用[J]. 孟海东,殷跃,孙家驹,徐贯东,王森. 西部探矿工程, 2012(08)
- [10]矿产资源分类与鉴别系统研究[D]. 殷跃. 内蒙古科技大学, 2012(05)