引自：（1）杨 宏 李海滨 （2）陈郑辉 肖克炎 （1吉林大学，吉林 长春 130026；2 中国地质科学院矿产资源研究所，北京 100037）Application of ART Model in Forecast of Orogenic Gold Deposits in North Qaidam and East Kunlun Orogen, West China Yang Hong , Li Haibin，Chen Zhenghui , and Xiao Keyan( 1 JiLin University, Changchun 130026, Jinlin, China; 2 Institute of Mineral Resources, Chinese Academy of Geological Sciences, Beijing 100037, China) 摘要：ART 神经网络模型为一种对外界复杂信息具有可逆性和稳定性的一种无导师监督学习的人工神经网络模型。文章主要探讨了 ART 神经网络模型的总体结构及以及计算过程，在此基础上，研究其在矿产资源预测中的实现，并用 Visual C++6.0 开发环境在 MAPGIS 平台上开发的完成的矿产资源综合潜力定量评价子系统进行ART神经网络模型的实现，利用柴北缘—东昆仑的实例阐明它在矿产预测评价的应用效果。 人工神经网络（Artificial Neural Networks，简称 ANN）是由大量简单的处理单元组成的非线性、自适应、自组织系统，它是在现代神经科学研究成果的基础上，试图通过模拟人类神经系统对信息进行加工、设计出的一种具有人脑风格的信息处理系统。由于人工神经网络以独特的结构和信息处理方法，被认为对非线性函数有逼近能力和性质，可以解决传统计算机极难求解的复杂行为组成的系统和混沌现象中的一些问题。本文介绍采用人工神经网络的方法和柴北缘—东昆仑地区进行矿产资源预测的实例。 1 ART模型简介 由于在矿产资源预测中我们并不能预先知道能分多少类型，样本所含内容的分类及其存放应该是由网络自动完成的，而且这个过程应该是逐步进行的，逐渐丰富的，即选用的人工神经网络中的模型必须具有“边工作、边学习”的能力，在实践中丰富自己的知识。基于此我们选用了具有可塑性的自适应共振理论（Adaptive Resonance Theory，简称 ART）构置预测模型。ART 模型是以竞争学习算法为基础，吸收了抑制竞争算法的优点，对外界复杂信息具有可逆性、稳定性的一种无导师监督学习的人工神经网络。ART的激活函数可以使加权输入和为最大的节点赢得输出为1，而使其他神经元的输出皆为0。[next] 1.1 ART 总体结构图 为了使网络在保持原有内容的前提下，能够将新的内容添加进去，ART首先是分类器，它能够将输入向量进行适当的分类，给分类处理与存储打下基础。对一个给定的输入向量，ART 将在网络中已经存放的所有分类中进行查找，如果能够发现其中的某一个“类表示”表达了该输入向量的基本特征，则可对此分类的表示模式进行适当的微调，使之更好地表达输入向量。由于被调整的“对象”是已被网络确认的用来表示输入向量所在类的“类表示”，所以它不影响已经有的其他类的“类表示”，这使得网络的稳定性得以保证。对该输入响应，如果网络发现在已有的“类表示”中不存在相应的，则在自己的容量范围内创造一个新的“类表示”，使它与该输入向量实现匹配。从而使网络具有可塑性（蒋宗礼，2000）。 为了适应图1提出的要求，可以构造出图2所示的ART总体结构图。ART模型主要包含5个功能模块：识别层、比较层、识别层输出信号控制(G1)、比较层输出信号控制(G2)、系统复位控制。它的基本工作过程为：当系统没有接受输入向量的时候，比较层输出信号控制G1使得比较层的输出信号C为0；识别层的输出控制信号G2使得识别层的输出信号P为0。当输入向量X一旦被加到系统上，G1使X被原封不动地按照C的形式送入识别层。在识别层找到C(X)应该属于的类，该类的代表向量被以向量P送回到比较层，P与X比较，形成新的输出项C，C和X又同时被送到系统复位控制模块进行比较。如果系统认为C可以代表X，则网络进入训练期一一按照 X修改被选中的BK和TK。如果系统认为C不能代表X，则发出信号，使识别层复位（重新输出 0），向量X重新被原样送入比较层，寻找新的类进行匹配。如此下去，直到找到一个能满足要求的类或者发现系统中现有的类均不能满足要求。当后一种情况发生时，则在系统中按照X建立一个新类。

下一篇：水文地质比拟法计算涌水量(水文地质学分析题)

上一篇：检测仪器设备一览表(监测仪器仪表)