English
首页
期刊信息
期刊简介
收录情况
评价指标
获奖情况
获得资助
专题征稿
期刊订阅
编委会
编辑委员会
青年编委会
期刊在线
网络首发
优先出版
当期目录
过刊浏览
浏览排行
下载排行
引用排行
投稿指南
征稿方向
投稿须知
下载中心
审稿指南
自荐审稿
评议要求
开放获取
出版伦理
合作单位
联系我们
全部
标题
作者
关键词
摘要
DOI
栏目
地址
基金
中图分类号
PACS
EEACC
高级检索
所有
标题
作者
关键词
摘要
DOI
栏目
地址
基金
中图分类号
PACS
EEACC
首页
期刊信息
期刊简介
收录情况
评价指标
获奖情况
获得资助
专题征稿
期刊订阅
编委会
编辑委员会
青年编委会
期刊在线
网络首发
优先出版
当期目录
过刊浏览
浏览排行
下载排行
引用排行
投稿指南
征稿方向
投稿须知
下载中心
审稿指南
自荐审稿
评议要求
开放获取
出版伦理
合作单位
联系我们
English
葛晓光, 吴潇, 钱凯. 自组织人工神经网络与聚类法在矿区沉积物分类中实用性对比[J]. 煤炭学报, 2006, (2).
引用本文:
葛晓光, 吴潇, 钱凯. 自组织人工神经网络与聚类法在矿区沉积物分类中实用性对比[J]. 煤炭学报, 2006, (2).
自组织人工神经网络与聚类法在矿区沉积物分类中实用性对比
葛晓光
,
吴潇
,
钱凯
摘要
HTML全文
图
(0)
表
(0)
参考文献
(0)
相关文章
施引文献
资源附件
(0)
摘要
摘要:
为确切判定淮北矿区新第三纪沉积物成因类型,分别用自组织人工神经网络(SOM)和聚类分析方法对宿南等矿区的19组样本进行分类.对比发现SOM的分类结果与实际情况更吻合.从机理和应用方式上探讨了两种方法的功能差异,证明SOM方法分类操作过程简便易行,具有残缺自动识别能力,分类结果唯一,在沉积物无监督成因分类中,优于聚类分析方法.
HTML全文
参考文献
(0)
相关文章
施引文献
资源附件
(0)
/
下载:
全尺寸图片
幻灯片
返回文章
分享
用微信扫码二维码
分享至好友和朋友圈
返回
×
Close
导出文件
文件类别
RIS(可直接使用Endnote编辑器进行编辑)
Bib(可直接使用Latex编辑器进行编辑)
Txt
引用内容
引文——仅导出文章的Citation信息
引文和摘要——导出文章的Citation信息和文章摘要信息
×
Close
引用参考文献格式