特征分析法行为访谈法(特征分析法导数) 特征分析法:& nbsp& nbsp特征分析又称决策模拟，是从变量中提取每个变量的综合特征。 它不同于线性代数中特征值的概念。这种方法利用求解特征向量的数学方法来确定变量的综合特征——变量的数量特征。 & nbsp& nbsp& nbsp矿产资源评价结果的准确性取决于原始数据的完整性和准确性。由于各种原因，原始数据存在不足的一面，这也是矿产资源评价结果不确定的原因之一。 一种补救方法是特征分析，它可以帮助矿产资源评估师减少这种不确定性。 特征分析是利用矿床的三维环境(包括地形环境、物理性质、化学性质和卫星特征)和矿床成因的形成(即成因)等资料，检查矿床模型，快速确定评价区内评价对象(单元或产状)与已知模型的相似性，或产出矿床的有利程度。 & nbsp& nbsp& nbsp特征分析包括二维二次导数曲面、布尔变换、最优模型公式和预测区域评价四个概念。 & nbsp& nbsp& nbsp(1)二维二次导数曲面:& nbsp& nbsp由连续变量组成的二维空曲面(平面或等值线表示)通常取其在垂直于平面等值线方向的二阶方向导数的符号来定义逻辑变量。 二阶方向导数为负，表示低于邻区，为低异常，取-1；二阶方向导数为0，即拐点，无异常，取值为0。 利用二维曲面二阶导数的拐点，定义了原始数据空的观测值之间分布的特征(即类型)，消除了其他数学方法完全依赖于空之间相关性的数学原理。 由于这种方法处理的是连续变量，尤其是地球物理和地球化学变量，所以它既显示了观测值的整体特征，也显示了整体背景(背景场)上的局部变化特征。 二维表面的二阶导数为建立特征分析的沉积模型提供了有效的方法。 & nbsp& nbsp& nbsp(2)布尔变换:& nbsp& nbsp布尔变换也叫布尔表达式，用三值逻辑表示不同性质的地质变量。 在三元逻辑结构中，意向意义标为“1”，不确定意义标为“0”，无意义或相反意义标为“-1” 特定位置的“1”、“0”或“-1”的表达是多元结构数据类型在特征分析中应用的关键。 & nbsp& nbsp& nbsp根据这一理论，可以得出结论:地质变量，无论是定性的还是定量的，都可以用三值逻辑来表示。 矿产资源评价中通常会用到大量的定性数据和离散数据，需要资源评价者根据布尔变换原理进行主观判定。 通常采用以下原则进行换算:当该变量与矿产资源有关时，标注为“1”；无关时标为“-1”；不确定或无意义的时间戳为“0” 由此可见，将地质数据转换为三元逻辑变量是多元结构地质应用特征分析方法的关键。 & nbsp& nbsp& nbsp根据这一理论，可以得出结论:地质变量，无论是定性的还是定量的，都可以用三值逻辑来表示。 矿产资源评价中通常会用到大量的定性数据和离散数据，需要资源评价者根据布尔变换原理进行主观判定。 通常采用以下原则进行换算:当该变量与矿产资源有关时，标注为“1”；无关时标为“-1”；不确定或无意义的时间戳为“0” 由此可见，将地质数据转换为三元逻辑变量是多元结构地质应用特征分析方法的关键。 & nbsp& nbsp& nbsp需要强调的是，定义逻辑变量时，+1和-1必须代表逻辑上对应的概念。在这样的定义域中，0的意义不言而喻。 如果用网格单元来评价某一地区的资源潜力，将所有变量进行转换后，就会得到逻辑变量的矩阵。 以8个单元格8个变量为例，其中矩阵的行代表单元格，列代表变量，那么:& nbsp& nbsp(3)最优模型公式:& nbsp& nbsp最优模型公式也称为模型特征的量化。 有许多地质和矿物变量(或描述矿床的地质和矿物变量)可用于矿床(或单元)。 少则十几个，多则上百个。 但是，对于一种矿床类型来说，矿物变量的重要性因地而异，因此有必要对每个变量赋予权重。 根据这一权重，对所有地质矿产变量进行排队，显示该类型矿床中各变量的重要性顺序，为筛选变量提供定量依据。 下面介绍三种量化模型特征的方法。 & nbsp& nbsp& nbsp(1)平方和法(原始算法) 假设原始数据已经转换成逻辑变量，逻辑变量的矩阵是z。 先将Z乘以其向左的转置矩阵，得到乘积矩阵(也叫关联矩阵):& nbsp& nbsp& nbspr的第I行第j列的元素rij表示n个单位的第I个和第j个变量的匹配关系。 显然，每个单元中两个变量之间的+、+或-、-匹配越多，rij就越大。 如果+、-或-、+的情况较多，rij会降低；连rij都是负面的。 至于0，+或0，-的情况，不影响rij的值。 因此，R是I和J变量在几个单位中同时相关的度量。 将R的列视为一个向量。 第I个向量的长度& nbsp:& nbsp；& nbsp该模型表示第I个变量与其他变量之间的相关性的总度量。 因此，向量长度可以视为变量与该类型存款的关联程度的度量。 上面例子中每个列向量的长度是:& nbsp& nbspSSQ(1)= 10.91 & nbsp；& nbspSSQ(2)= 13.45 & nbsp；& nbspSSQ(3)= 13.04 & nbsp；& nbspSSQ(4)= 14.07 & nbsp；& nbsp& nbspSSQ(5)= 15.97 & nbsp；& nbspSSQ(6)= 15.06 & nbsp；& nbspSSQ(7)= 13.53 & nbsp；& nbspSSQ(8)= 10.44 & nbsp；& nbsp& nbsp& nbspSSQ(上)& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbspbi= - (i=1，2，3…，m)STOT & nbsp；& nbsp& nbsp上例中:& nbsp& nbsp& nbspB1 = 0.1025(7)& nbsp；& nbsp& nbspB2 = 0.1263(5)& nbsp；& nbsp& nbspB3 = 0.1225(6)& nbsp；& nbsp& nbspB4 = 0.1321(3)& nbsp；& nbsp& nbspb5 = 0.1500(1)& nbsp；& nbsp& nbspB6 = 0.1414(2)& nbsp；& nbsp& nbspB7 = 0.1271(4)& nbsp；& nbsp& nbspb8 = 0.0980(8)& nbsp；& nbsp& nbsp括号是根据数值排列的顺序。 因此，对于例子中引用的模型，第五个变量是最重要的特征，b5=0.1500是其权重系数；其次，第六个可变权重，系数b6 = 0.1414；那么第四个变量，权重系数B4 = 0，1321，... & nbsp& nbsp& nbsp(2)乘积矩阵的主成分法 这种方法是通过计算乘积矩阵的列向量长度来讨论存款或单元模型中各变量的权重。 它首先孤立地研究模型中一个变量与另一个变量的相关程度，然后把这个变量与每个变量的相关程度的平方和作为这个变量与其所有变量的依赖关系。 如果只考虑一个变量，但同时考虑存款模型中所有变量的共存，就需要求积矩阵的特征向量的方法——主成分分析。 主成分分析法利用对应关系和最大特征向量A1来表示该类型矿床模型中各种变量的典型共存系统，即地质变量的典型组合。 元素A1、a2...a1的an表示每个变量对典型组合的贡献。 因此，每个元素都可以作为每个变量的权重系数来评价未知区域与模型的相似性。 & nbsp& nbsp& nbsp以上面的产品矩阵为例。最大特征值对应的特征向量各元素为:& nbsp& nbsp①0.1067(7);& nbsp& nbsp& nbsp②0.352(5);& nbsp& nbsp& nbsp③0.372(2);& nbsp& nbsp& nbsp④0.372(2);& nbsp& nbsp& nbsp⑤-0.475(8);& nbsp& nbsp& nbsp⑥0.475(1);& nbsp& nbsp& nbsp⑦0.349(4);& nbsp& nbsp& nbsp⑧-0.116(6);& nbsp& nbsp& nbsp括号是按照它们的值的顺序排列的。 它表明第六个变量的权重最大，是模型中最重要的变量，其次是第三和第四个变量，最后是第七个变量。 他们的体重分别是0.475，0.372，0.372，0.349... 【下一篇】& nbsp& nbsp& nbsp(四)概率矩阵的主成分法:& nbsp& nbsp这种方法是基于一个单元中变量的匹配概率来研究模型中变量之间的依赖关系。 第I个和第j个变量之间的匹配概率Pij用几个单位的第I个和第j个变量之间的+、+和-、-匹配的观测数的概率来表示。Pij的计算公式如下:& nbsp& nbsp订单-单位数量；& nbsp& nbsp& nbsp& nbsp& nbspti——第I个变量中“+”的个数；& nbsp& nbsp& nbsp& nbsp& nbspTJ-第j个变量中“+”的个数；& nbsp& nbsp& nbsp& nbsp& nbspPi——第I个变量中“+”和“-”的个数；& nbsp& nbsp& nbsp& nbsp& nbspPj的第j个变量中“+”和“—”的个数；& nbsp& nbsp& nbsp& nbsp& nbspkij——第I个变量和第j个变量之间匹配的观察数，单位为n+、+或-、-；& nbsp& nbsp& nbsp& nbsp& nbspPij——随机超过的I和J变量之间+、+或——匹配观察数K的概率。 & nbsp& nbsp& nbsp随机超越的I和J变量之间观察到的k匹配的概率为+、+或-、-:& nbsp；& nbsp在这个公式中，当kij=0时，pij = 0；当tij-(b-1)+1≤0时，花括号中的值为1。 当Pi-ti-(a-1)+(b-1)+1≤0时，方括号内的值为1。 & nbsp& nbsp& nbspPij构成对称矩阵P，称为匹配概率矩阵。 & nbsp& nbsp& nbsp计算Pij的具体步骤如下:& nbsp；& nbsp(1)匹配矩阵(又称Telly矩阵)的计算:从前例中的逻辑矩阵Z开始，分别计算各列之间的++匹配数和-，-匹配数。 获取以下矩阵:& nbsp& nbsp在这个矩阵中，对角元素tij(第I行第j列的元素)是第I个变量本身的“+，+”匹配数。 显然等于第th个变量中“+”的个数，上三角矩阵中第I列的元素tij就是第I个变量和第j个变量之间的“+，+”匹配数。 下三角矩阵的第I行第J列中的元素pij是第I个和第J个变量的匹配数。 & nbsp& nbsp& nbsp(2)计算I和J变量之间“+、+”和“—”的匹配数，显然kij = Tij+Pij。 然后根据求匹配概率的公式计算I和J变量的匹配概率pij。 为了计算方便，kij和pij放在同一个矩阵中。 矩阵K的上三角是不同变量之间的+、+和——匹配数kij之和，下三角矩阵是匹配概率k34=7，所以对应的匹配概率是p44=100，第二个和第六个变量之间的“+、+”和“——”匹配数是k26=6，对应的匹配概率是p62=96。& nbsp& nbsp显然，和乘积矩阵K一样，概率矩阵P在某种意义上也是关联矩阵。 因此，主成分分析也可以用来寻找其特征值和特征向量。 其最大特征值对应的特征向量的每个元素也可以作为每个变量的权重来评价预测区域与模型的相似性。 & nbsp& nbsp& nbsp比如上面例子中的概率矩阵，最大特征值对应的特征向量为:& nbsp& nbsp①0.079(5);& nbsp& nbsp& nbsp②0.433(4);& nbsp& nbsp& nbsp③0.442(2);& nbsp& nbsp& nbsp④0.442(2);& nbsp& nbsp& nbsp⑤0.078(7);& nbsp& nbsp& nbsp⑥0.470(1);& nbsp& nbsp& nbsp⑦0.437(3);& nbsp& nbsp& nbsp⑧0.066(6);& nbsp& nbsp& nbsp括号中数值是根据数值排列的顺序。 可以看出，第六个变量的值最大，其次是第三和第四个变量，再次是第七个变量，… & nbsp& nbsp& nbsp介绍了上述三种模型量化方法。 他们从不同角度分析了已知含矿单元中变量的相互依赖(关联)，确定了该类型矿床模型中各变量的相对重要性——“权重”。 这为人们筛选变量、构建评价模型提供了依据。 免责声明：本网部分内容来自互联网媒体、机构或其他网站的信息转载以及网友自行发布，并不意味着赞同其观点或证实其内容的真实性。本网所有信息仅供参考，不做交易和服务的根据。本网内容如有侵权或其它问题请及时告之，本网将及时修改或删除。凡以任何方式登录本网站或直接、间接使用本网站资料者，视为自愿接受本网站声明的约束。
下一篇：真空过滤机适用于(真空过滤机的优缺点是什么?适用于什么场合?)
上一篇：维修钳工岗位操作规程(钳工的操作规程是什么)
