用人工神经网络进行空间不完备数据的插补

在地学研究中,特别是区域性资料处理过程中,常常遇到“不完备数据”的问题,即所谓的“数据不全”。在尽量减小估计误差的条件下对缺失数据进行预测或插补,对于充分利用历史资料和已知信息,提高预测质量具有重要意义。利用径向基人工神经网络(RBF)同时具有自组织神经网络和回归网络的优点,可以对缺失数据进行预测。实际区域地球化学数据处理的结果表明,RBF网络对空间不完备数据的建模和预测具有优异的效果。

空间不完备数据及其填补方法研究

随着人们对空间信息的需求,近年来对不完备空间数据的研究日益广泛,空间不完备数据填补问题备受重视。在实际应用中因不能充分利用数据所包含的信息,导致填补后的数据误差很大。针对这个问题详细阐述了空间不完备数据的检测和填补方法,重点介绍了基于克里格插值法的空间数据填补方法。最后用实验证明了克里格插值法恢复不完备空间数据时的精度最高。

基于邻近域的不完备空间数据探测方法

不完备的空间数据影响了空间决策、分析与推理的结果及其可靠性。传统的不完备数据检测方法仅使用统计学理论,没有考虑空间数据的空间特性,从而不能直接用于检测不完备的空间数据。提出了一种基于邻近域的不完备空间数据检测方法—NNBiSDD算法,NNBiSDD算法在空间实体的k-邻近域内使用"三倍标准差"原则检测不完备的空间数据。最后,通过一个实际算例验证了NNBiSDD算法的有效性和可靠性。