| 成矿有利度的支持向量回归预测 |
| |
| 引用本文： | 颜七笙.成矿有利度的支持向量回归预测[J].金属矿山,2011,40(11):120-123. |
| |
| 作者姓名： | 颜七笙 |
| |
| 作者单位： | 1.放射性地质与勘探技术国防重点学科实验室；2.东华理工大学数学与信息科学学院 |
| |
| 基金项目： | 江西省教育厅科技项目，江西省自然科学基金项目 |
| |
| 摘 要： | 应用基于量子粒子群算法（QPSO）寻优的支持向量回归（SVR）方法，对成矿有利度进行建模和预测研究，并与BP神经网络模型的预测结果进行了比较。结果表明：基于量子粒子群算法优化的支持向量机成矿预测模型能较好地拟合成矿有利度与其影响因素之间的高度非线性关系，且比BP神经网络模型具有更高的精度，说明支持向量回归方法用于成矿有利度预测是可行有效的。
|
| 关 键 词： | 成矿预测 支持向量机 量子粒子群算法 BP神经网络 |
Prediction of the Contribution Degrees to the Metallogenesis Based on Support Vector Regression |
| |
| Yan Qisheng.Prediction of the Contribution Degrees to the Metallogenesis Based on Support Vector Regression[J].Metal Mine,2011,40(11):120-123. |
| |
| Authors: | Yan Qisheng |
| |
| Affiliation: | 1.Fundamental Science on Radioactive Geology and Exploration Technology Laboratory；2.School of Mathematics & Information Science，East China Institute of Technology |
| |
| Abstract: | The support vector regression(SVR)approach based on the quantum-behaved particle swarm optimization(QPSO)for its parameters optimization was proposed to predict the contribution degrees to the metallogenesis.The results show that the prediction precision of SVR method is superior to that of BP neural networks.It is suggested that SVR is an effective and powerful tool for predicting the contribution degrees to the metallogenesis. |
| |
| Keywords: | Metallogenesis prediction Support vector machines(SVM) Quantum-behaved particle swarm optimization BP neural network |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《金属矿山》浏览原始摘要信息 |
|
点击此处可从《金属矿山》下载全文 |
