连铸结晶器
结晶器是连铸机非常重要的部件，是一个强制水冷的无底钢锭模，它的性能对连铸机的生产能力和铸坯质量起着十分重要的作用，因此，被称之为连铸设备的“心脏”。1、结晶器的作用
结晶器是连铸机的心脏，它的重要作用表现在：
1）在尽可能高的拉速下保证出结晶器时形成足够的坯壳厚度，以抵抗钢水静压力而不拉漏；2）结晶器周边坯壳厚度能均匀稳定生长；
3）结晶器内的钢水——渣相——坯壳——铜壁之间的相互作用，对铸坯表面质量有决定性影响。上述第1）个作用决定了连铸机的生产率；2)、
3）作用决定了铸坯表面质量。
2、结晶器的性能
1）有较好的导热性能，能迅速形成足够厚度的初生坯壳；
2）有良好的结构刚度和结构工艺性，便于加工制造，易于拆装和调整；
3）有较好的耐磨性及较高的热疲劳性；
4）重量轻、以便在振动时有较小的惯性力。
3、结晶器的分类
按连铸机型式不同，结晶器可分为直形和弧形两大类。
1）直型结晶器。直形结晶器的内壁沿坯壳移动方向呈垂直形，因此导热性能良好，坯壳冷却均匀。该类型结晶器还有利于提高坯壳的质量和拉
坯速度、结构较简单、易于制造、安装和调试方便；夹杂物分布均匀；但铸坯易产生弯曲裂纹，连铸机的高度和投资增加。直形结晶器用于立式和立弯式及直弧连铸机。
2）弧形结晶器。弧形结晶器的内壁沿坯壳移动方向呈圆弧形，因此铸坯不易产生弯曲裂纹；但导热性比直形结晶器差；夹杂物分布不均，偏向坯壳内弧侧。弧形结晶器用在全弧形和椭圆形连铸机上。
按铸坯规格和形状来分，有小方坯、大方坯、板坯和异性坯结晶器。按结晶器结构可分为管式、整体式和组合式三种。
连铸结晶器：就是一个钢水制冷成型设备。其由框架，结晶器冷却背板或水箱和铜板，调整系统（调整装置，减速机等）；润滑系统（油管油路），冷却系统和喷淋等设备组成。
连铸结晶器需要和连铸结晶器保护材料（渣）一同使用。
保护材料用途：1.确保连铸工艺顺行；2.改善铸坯表面质量。
连铸结晶器钢水流动控制技术
1、连铸板坯的表面和内部缺陷与结晶器内钢液的流动状态密切相关。伴随着连铸机拉速的提高，结晶器内液面波动加剧，容易产生卷渣，造成铸坯质量恶化。采用结晶器钢水流动控制技术可以改善结晶器内流场形态，抑制出料速度以平稳液面，促进夹杂物上浮。用于板坯结晶器的电磁制动（EMBr）、电磁流动控制（FC结晶器）和多模式电磁搅拌（即EMLA，EMLS、EMRS，统称MM－EMS）是结晶器钢水流动控制技术的典型代表。
2、电磁制动器通过对结晶器施加一个与铸流方向垂直的静态磁场而对流动的钢液进行制动。钢流由于电磁感应而产生感应电压，因此在钢液中产生感应电流，这些电流由于受到静态磁场的作用而产生一个与钢水运动方向相反的制动力。钢液的流速越快，制动力也越大。电磁制动器具有一个单一的、覆盖整个板坯宽度的静态磁场。电磁制动技术可抑制水口射流速度，减缓沿凝固壳向下流动，促进夹杂物和气泡上浮。
3 、FC结晶器含有两个方向相反的制动磁场，第一个位于弯月面区域，另一个位于结晶器的下部，每一个磁场都覆盖了板坯的整个宽度。FC结晶器的磁场的上电磁场减少了结晶器弯月面紊流，可防止保护渣卷入凝固壳和角部横裂；下电磁场可减少钢液向下流速，有利于夹杂物和气泡上浮。
4、利用MM－EMS多模式电磁搅拌器可根据需要以不同的方式搅动结晶器内的钢水，显著减少板坯铸造缺陷。该技术采用4个线性电磁搅拌器，位于结晶器高度方向的中部、浸入式水口两侧，每侧2个线圈并排设置，可用于使浸入式水口流出的钢水制动（EMLS）或加速（EMLA）。第三种工作模式则用于使位于弯月面的钢水转动（EMRS），此项技术是在EMLS 和EMLA的基础上于21世纪初开发的，可有效控制热传导梯度和坯壳凝固前沿的均匀性，消除某些钢种存在的气孔、针孔和表面夹渣等铸造缺陷。
岩石矿物的分类及鉴别特征 概述:岩石(rock)是由一种或多种矿物或者岩屑组成的集合体.按照岩石的成因,分为三大类:沉积岩、岩浆岩、变质岩. 沉积岩:是由各种外力地质作力形成的沉积物在地表或近地表条件下,经过固结成岩作用形成的岩石.按成因又可分为四大类: 表2-1 沉积岩分类简表 砾状结构>2米米、砂状结构2～0.05米米、粉砂状结构0.05～0.005米米、粒径>100米米粒径2～100米米粒径65%强烈过饱和游离石英＞20% 造岩元素含量的变化:Fe 米g Cu → Fe 米g Cu Al → Fe Ca Al Na → Ca Na K Al + SiO2 岩石颜色的变化:深(绿黑)→暗(绿灰)→中色(灰色)→浅色(肉红、灰白). 矿物组合变化、橄榄石、辉石(无石英)辉石、富钙斜长石、角闪石(基本无石英) 钙钠中等的斜长石、角闪石(少石英、黑云母) 富钠斜长石、正长石,石英大量出现 . 变质岩(米eta米orphic rock)是地壳中已形成的岩石(岩浆岩、沉积岩等)在高温、高压及化学活动性流体的作用下,使原来岩石的成分、结构、构造等发生改变而形成的岩石.岩浆岩变质形成的变质岩称正变质岩; 沉积岩变质形成的岩石称副变质岩. 三大类岩石的分布及产状 岩石类型主要分布位置重量百分比地表分布面积产出状态陆地海洋
沉积岩地表或近地表 5% 75% 少量层状 岩浆岩地下深处 89% 25% 占大多数块状或脉状 变质岩构造运动剧烈地带或岩体周围 6% 几乎没有介于二者之间 第一节常见矿物的肉眼鉴定 目的:1、学会常见矿物的肉眼鉴定方法; 2、加深对地壳的物质组成的认识. 一、矿物的形态 矿物的形态有单体形态和集合体形态之分. (一)单体形态 由于矿物具一定的化学成分和结晶构造,在适宜的条件下,可形成具一定外形的几何多面体,称为晶体(crystal).完好晶体的自然表面称晶面(crystal face),它相当于结晶格架上质点较密集或联结力较强的网面.晶体的形态称为晶形(crystal for米).各种矿物都有其独特的晶形,它是鉴别矿物的重要依据之一.尽管矿物的晶形多种多样,但归纳起来,矿物单体晶形可分为三种类型: 一向延长型呈柱状或针状,如石英、辉锑矿、角闪石等; 二向延长型呈片状或板状,如石膏和云母等; 三向等长型呈粒状,如黄铁矿等. 矿物的晶体大小与生长环境有关,在适宜条件下某些晶体可生长成巨大的个体,例如,曾发现巨大的白云母晶体,其晶面可达7米2,但有些矿物的晶体极小,如高岭石的晶体仅为10～n×10μ米,需在电子显微镜下才能观察到.同一种岩石中不同矿物的结晶顺序也有先后,先结晶的矿物晶形较完好,后结晶的则受先结晶的矿物限制,常形成扇形不甚规则的“他形”晶. (二)集合体形态
从SVM的那几张图可以看出来，SVM是一种典型的两类分类器，即它只回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类的问题（少部分例外，例如垃圾邮件过滤，就只需要确定“是”还是“不是”垃圾邮件），比如文本分类，比如数字识别。如何由两类分类器得到多类分类器，就是一个值得研究的问题。 还以文本分类为例，现成的方法有很多，其中一种一劳永逸的方法，就是真的一次性考虑所有样本，并求解一个多目标函数的优化问题，一次性得到多个分类面，就像下图这样： 多个超平面把空间划分为多个区域，每个区域对应一个类别，给一篇文章，看它落在哪个区域就知道了它的分类。 看起来很美对不对？只可惜这种算法还基本停留在纸面上，因为一次性求解的方法计算量实在太大，大到无法实用的地步。 稍稍退一步，我们就会想到所谓“一类对其余”的方法，就是每次仍然解一个两类分类的问题。比如我们有5个类别，第一次就把类别1的样本定为正样本，其余2，3，4，5的样本合起来定为负样本，这样得到一个两类分类器，它能够指出一篇文章是还是不是第1类的；第二次我们把类别2 的样本定为正样本，把1，3，4，5的样本合起来定为负样本，得到一个分类器，如此下去，我们可以得到5个这样的两类分类器（总是和类别的数目一致）。到了有文章需要分类的时候，我们就拿着这篇文章挨个分类器的问：是属于你的么？是属于你的
么？哪个分类器点头说是了，文章的类别就确定了。这种方法的好处是每个优化问题的规模比较小，而且分类的时候速度很快（只需要调用5个分类器就知道了结果）。但有时也会出现两种很尴尬的情况，例如拿一篇文章问了一圈，每一个分类器都说它是属于它那一类的，或者每一个分类器都说它不是它那一类的，前者叫分类重叠现象，后者叫不可分类现象。分类重叠倒还好办，随便选一个结果都不至于太离谱，或者看看这篇文章到各个超平面的距离，哪个远就判给哪个。不可分类现象就着实难办了，只能把它分给第6个类别了……更要命的是，本来各个类别的样本数目是差不多的，但“其余”的那一类样本数总是要数倍于正类（因为它是除正类以外其他类别的样本之和嘛），这就人为的造成了上一节所说的“数据集偏斜”问题。 因此我们还得再退一步，还是解两类分类问题，还是每次选一个类的样本作正类样本，而负类样本则变成只选一个类（称为“一对一单挑”的方法，哦，不对，没有单挑，就是“一对一”的方法，呵呵），这就避免了偏斜。因此过程就是算出这样一些分类器，第一个只回答“是第1类还是第2类”，第二个只回答“是第1类还是第3类”，第三个只回答“是第1类还是第4类”，如此下去，你也可以马上得出，这样的分类器应该有5 X 4/2=10个（通式是，如果有k个类别，则总的两类分类器数目为k(k-1)/2）。虽然分类器的数目多了，但是在训练阶段（也就是算出这些分类器的分类平面时）所用的总时间却比“一类对其余”方法少很多，在真正用来分类的时候，把一篇文章扔给所有分类器，第一个分类器会投票说它是“1”或者“2”，第二个会说它是“1”或者“3”，让每一个都投上自己的一票，最后统计票数，如果类别“1”得票最多，就判这篇文章属于第1类。这种方法显然也会有分类重叠的现象，但不会有不可分类现象，因为总不可能所有类别的票数都是0。看起来够好么？其实不然，想想分类一篇文章，我们调用了多少个分类器？10个，这还是类别数为5的时候，类别数如果是1000，要调用的分类器数目会上升至约500,000个（类别数的平方量级）。这如何是好？ 看来我们必须再退一步，在分类的时候下功夫，我们还是像一对一方法那样来训练，只是在对一篇文章进行分类之前，我们先按照下面图的样子来组织分类器（如你所见，这是一个有向无环图，因此这种方法也叫做DAG SVM）
一种常见的矿物分类法 矿物有几千种，它们是如何归类的呢。有一种分类方法为化学分类法。这种方法就是按着化学元素的组合来划分矿物种类。现在世界上矿物学家共同采用的化学分类方法,是采纳德国著名矿物学家史特伦茨的分类。他按照门捷列夫周期表中的化学元素组合把矿物划分为八大类。我们可以在每一类矿物中举出一种矿物，先对它们有一个初步认识。 第一大类自然元素矿物。它又细分为金属、半金属和非金属。金属如自然铜、自然金等；半金属如自然铋等；非金属有自然硫、石墨等。 自然铜 自然铋
自然硫 第二大类硫化物矿物，如黄铜矿；硒化物矿物，如硒碲矿；锑化物矿物，如锑铜矿；砷化物矿物，如砷锑矿；碲化物矿物，如碲金矿；铋化物矿物，如铋车轮矿。 第三大类卤化物。它又细分为: 简单的卤化物矿物，如石盐；氧卤化物矿物，如氯铅矿。 第四大类氧化物矿物，如石英；氢氧化物及其类似的化合物，如水镁石。 第五大类硝酸盐矿物，如钠硝石；碳酸盐类矿物，如方解石；硼酸盐矿物，如硼镁石等。 第六大类硫酸盐类矿物，如重晶石；碲酸盐类矿物，如碲酸铁矿；铬酸盐类矿物，如铬酸铅矿；钼酸盐类矿物，如钼酸钙矿；钨酸盐矿物，如钨酸铅矿。 第七大类磷酸盐类矿物，如独居石；砷酸盐矿物，如臭葱石；钒酸盐矿物，如钒酸钡铜矿。 第八大类硅酸盐。硅酸盐类矿物,按其结构又进一步划分为几种:岛状硅酸盐类，例如可做宝石的黄晶（也叫黄玉）；群状硅酸盐矿物，如钡铁钛石；链状硅酸盐矿物，如蔷薇辉石（也叫北京玉）；层状硅酸盐矿物，如白云母；架状硅酸盐除了铍硅酸盐矿物外,全都是铝硅酸盐矿物。铝硅酸盐矿物是硅酸盐矿物中硅酸根的硅被铝置换而形成的。例如花岗岩中的斜长石即是架状硅酸盐，因此也是铝硅酸盐矿物。
分类器方法性能的比较——基于威斯康星州乳腺癌数据集 1引言 目前，机器学习领域有众多的分类算法。有的想法朴素，有的理解抽象，但是对于不同分类方法的分类性能没有直观展示，解释清楚分类器的分类性能是复杂困难的，本文就是以威斯康星州乳腺癌数据集为例简单探讨不同分类器性能的比较。 2 乳腺癌数据集介绍 威斯康星州乳腺癌数据集包含699个细针抽吸活检的样本单元，其中458个为良性样本单元，241个为恶性样本单元。对于每一个样本来说，另外九个变量是与判别恶性肿瘤相关的细胞特征。这些细胞特征得分为1（最接近良性）至10（最接近病变）之间的整数。这十个变量分别是： ?X1 代表肿块厚度 ?X2代表细胞大小的均匀性 ?X3代表细胞形状的均匀性 ?X4代表边际附着力 ?X5代表单个上皮细胞的大小 ?X6代表裸核 ?X7代表乏味染色体 ?X8代表正常核 ?X9代表有丝分裂 ?Class代表类别（类型变量） 任一变量都不能单独作为判别良性或恶性的标准，建模的目的是找到九个细胞特征的某种组合，从而实现对恶性肿瘤的准确预测。 在R软件中读取数据之后的前十行数据如图1所示。 图1 数据集的前十行数据
3 数据预处理 首先对数据的概况进行观察，数据描述如图2所示。观察数据概述图可知，该数据集由699个观测和10个变量组成。区分了1个分类变量和9个其他变量，其中9个其它变量为数值类型，一个分类变量为因子类型，变量X6缺失了16个。数值类型的9个变量分别给出了他们的缺失值个数、数据完整率、均值、标准差、直方图等参数。其中变量X6的完整率为97.7%与缺失了16个观测有关。 下面再用另外一种方法来直观显示缺失值的分布。利用VIM包中的aggr（）函数来直观显示数据集中缺失值的数目如图3所示。因为数据集的观测比较多，从简易的角度考虑，采取删除这16个观测的做法，其结果如图4所示。 图2 数据集的数据概述图 图3 未处理之前的数据集
第十六章矿物类中药 矿物是由地质作用形成的天然单质或化合物。 药用部位是由地质作用形成的天然单质或化合物、矿物的加工品、动物或动物骨骼的化石的一类中药称为“矿物类中药”。 矿物类中药中以天然矿物入药的如朱砂、石膏、炉甘石、赭石等。以矿物的加工品入药的如轻粉、红粉、秋石等。以动物或动物骨骼的化石入药的如龙骨、石燕等。 第一节矿物的性质 矿物除少数是自然元素外，绝大多数是自然化合物，它们大多数是固体，少数是液体，如水银（Hg），或气体，如硫化氢（H2S）。每一种矿物都有一定的物理和化学性质，这些性质取决于它们的化学成分和结晶构造，利用这些性质的不同，可以对矿物进行鉴定。 1.矿物中水的存在形式有的晶体矿物含有一定的水，称为含水矿物。水在矿物中存在的形式，直接影响到矿物的性质。利用这些性质，可以对矿物进行鉴定。水在矿物中的存在形式可分为：（1）吸附水或自由水水分子不加入矿物的晶格构造。 （2）结晶水水以分子形式参加矿物的晶格构造，如石膏（CaS04·12H2O）、胆矾（CuSO4·5H20）等。 （3）结构水水以H+或OH-等离子形式参加矿物的晶格构造，如滑石Mg3（Si4010）（OH）2等。 2.透明度矿物透光能力的大小称为透明度。将矿物磨成0.03mm标准厚度后，比较其透明度，可分为三类：透明矿物、半透明矿物和不透明矿物。 3.颜色颜色是矿物对自然光线中不同波长的光波均匀吸收或选择吸收所表现的性质。矿物的颜色一般分为三种： （1）本色是由矿物的成分和内部构造所决定的颜色，如辰砂的红色，石膏的白色等。 （2）外色由外来的带色杂质、气泡等包裹体所引起的颜色，与矿物自身的成分和构造无关。外色的深浅除与带色杂质的量有关外，还与杂质分散的程度有关，如紫石英、大青盐等。 （3）假色由晶体内部裂缝面、解理面及表面氧化膜的反射光引起与入射光波的干涉作用而产生的颜色，如云母的变彩现象。 条痕及条痕色：矿物在白色毛瓷板上划过后所留下的粉末痕迹称为条痕，粉末的颜色称为条痕色。 条痕色比矿物表面的颜色更为固定，更能反映矿物的本色，因而更具鉴定意义。有的矿物表面的颜色与粉末颜色相同，如朱砂，也有的是不相同的，如自然铜，表面为亮淡黄色或棕褐色，而粉末为绿黑色或棕褐色。 4.光泽矿物表面对投射光的反射能力称为光泽。分为金属光泽、金刚光泽、玻璃光泽、油脂光泽、绢丝光泽、珍珠光泽等。 5.相对密度是指在温度4℃时矿物与同体积水的重量比。各种矿物的相对密度在一定条件下为一常数。如朱砂为8.1～8.2，石膏为2.3等。 6.硬度是矿物抵抗外来机械作用（如刻划、研磨、压力等）的能力。分为相对硬度和绝对硬度。 7.解理、断口 8.磁性 9.气味有的矿物具特殊的气味，尤其是矿物受到锤击、加热或湿润时较为明显。如雄黄灼烧有砷的蒜臭；胆矾具涩味，芒硝具苦、咸味等。 10.其他少数矿物有吸水的能力，可以黏舌，如龙骨、龙齿、软滑石等。有的有滑腻感，如滑石。 第二节矿物类中药的分类 矿物类中药的分类是以矿物中所含的主要成分为根据的。矿物在矿物学上的分类方法有多种，但通常是根据矿物所含主要成分的阴离子或阳离子的种类进行分类。
SVM入门（十）将SVM用于多类分类 从SVM的那几张图可以看出来，SVM是一种典型的两类分类器，即它只回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类的问题（少部分例外，例如垃圾邮件过滤，就只需要确定“是”还是“不是”垃圾邮件），比如文本分类，比如数字识别。如何由两类分类器得到多类分类器，就是一个值得研究的问题。 还以文本分类为例，现成的方法有很多，其中一种一劳永逸的方法，就是真的一次性考虑所有样本，并求解一个多目标函数的优化问题，一次性得到多个分类面，就像下图这样： 多个超平面把空间划分为多个区域，每个区域对应一个类别，给一篇文章，看它落在哪个区域就知道了它的分类。 看起来很美对不对？只可惜这种算法还基本停留在纸面上，因为一次性求解的方法计算量实在太大，大到无法实用的地步。 稍稍退一步，我们就会想到所谓“一类对其余”的方法，就是每次仍然解一个两类分类的问题。比如我们有5个类别，第一次就把类别1的样本定为正样本，其余2，3，4，5的样本合起来定为负样本，这样得到一个两类分类器，它能够指出一篇文章是还是不是第1类的；第二次我们把类别2 的样本定为正样本，把1，3，4，5的样本合起来定为负样本，得到一个分类器，如此下去，我们可以得到5个这样的两类分类器（总是和类别的数目一致）。到了有文章需要分类的时候，我们就拿着这篇文章挨个分类器的问：是属于你的么？是属于你的么？哪个分类器点头说是了，文章的类别就确定了。这种方法的好处是每个优化问题的
规模比较小，而且分类的时候速度很快（只需要调用5个分类器就知道了结果）。但有时也会出现两种很尴尬的情况，例如拿一篇文章问了一圈，每一个分类器都说它是属于它那一类的，或者每一个分类器都说它不是它那一类的，前者叫分类重叠现象，后者叫不可分类现象。分类重叠倒还好办，随便选一个结果都不至于太离谱，或者看看这篇文章到各个超平面的距离，哪个远就判给哪个。不可分类现象就着实难办了，只能把它分给第6个类别了……更要命的是，本来各个类别的样本数目是差不多的，但“其余”的那一类样本数总是要数倍于正类（因为它是除正类以外其他类别的样本之和嘛），这就人为的造成了上一节所说的“数据集偏斜”问题。 因此我们还得再退一步，还是解两类分类问题，还是每次选一个类的样本作正类样本，而负类样本则变成只选一个类（称为“一对一单挑”的方法，哦，不对，没有单挑，就是“一对一”的方法，呵呵），这就避免了偏斜。因此过程就是算出这样一些分类器，第一个只回答“是第1类还是第2类”，第二个只回答“是第1类还是第3类”，第三个只回答“是第1类还是第4类”，如此下去，你也可以马上得出，这样的分类器应该有5 X 4/2=10个（通式是，如果有k个类别，则总的两类分类器数目为k(k-1)/2）。虽然分类器的数目多了，但是在训练阶段（也就是算出这些分类器的分类平面时）所用的总时间却比“一类对其余”方法少很多，在真正用来分类的时候，把一篇文章扔给所有分类器，第一个分类器会投票说它是“1”或者“2”，第二个会说它是“1”或者“3”，让每一个都投上自己的一票，最后统计票数，如果类别“1”得票最多，就判这篇文章属于第1类。这种方法显然也会有分类重叠的现象，但不会有不可分类现象，因为总不可能所有类别的票数都是0。看起来够好么？其实不然，想想分类一篇文章，我们调用了多少个分类器？10个，这还是类别数为5的时候，类别数如果是1000，要调用的分类器数目会上升至约500,000个（类别数的平方量级）。这如何是好？ 看来我们必须再退一步，在分类的时候下功夫，我们还是像一对一方法那样来训练，只是在对一篇文章进行分类之前，我们先按照下面图的样子来组织分类器（如你所见，这是一个有向无环图，因此这种方法也叫做DAG SVM）
第２６卷第４期计算机仿真２００９年４月文章编号：１００６—９３４８（２００９）０４—０２７５—０４ 应用分类器组合模型进行岩性识别 张章华 （成都理工大学。四川成都６１００５９） 摘要：为了达到应用模式识别对储层岩惟进行准确的识别，根据不同性质分类器的组合可以较全面描述一个模式从而降低识别错误及增强识别鲁棒性这种特性，结合模糊数学中的隶属度实现了多个分类器的定量组合。应用ｒ几种不同的分类器进行组合，『廿ｊ时应用某油ｆＨ的岩件识别作为实例进行验证，并与单个分类器进行比较，结果表明在间等条件下组合分类器的性能要比单个分类器的性能要好得多。这说明ｎ盘用不问性质的分类器进行组合识别的分类方法足可行性和有效性。 关键词：分类器；定量组合；岩性识别 中图分类号：ＴＥ３１９文献标识码：Ｂ ＡｐｐｌｉｃａｔｉｏｎｏｆＣｌａｓｓｉｆｉｅｒｓＣｏｍｂｉｎａｔｉｏｎｉｎｔｈｅＬｉｔｈｏｌｏｇｙＲｅｃｏｇｎｉｔｉｏｎ ｚＨＡＮＧＺｈａｎｇ．．ｈｕａ （ＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉ哆ｏｆＴｅｃｈｎｏｌｏｇｙ，ＣｈｅｎｇｄｕＳｉｃｈｕａｎ６１００５９，Ｃｈｉｎａ） ＡＢＳＴＲＡＣＴ：ＩｎｏｒｄｅｒｔｏＵＳｑｇｐａｔｔｅｍｒｅｃｏｇｎｉｔｉｏｎｔｏａｅｃｕｍｔｅｌｙｉｄｅｎｔｉｆｙｔｈｅｒｅｓｅｒｖｏｉｒｌｉｔｈｏｌｏｇｙ，ｔｈｅｐａｐｅｒｂａｓｅｄｏｎｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｅｒｓｃａｎｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｄｅｓｃｒｉｂｅａｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｔｏｒｅｄｕｃｅｅｒｒｏｒｓａｎｄｉｍｐｒｏｖｅｔｈｅｒｏｂｕｓｔｎｅｓｓｏｆｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｆｅａｔｕｒｅｓ．ａｎｄｃｏｍｂｉｎｅｄｗｉｔ｝ＩＦｕｚｚｙｍｅｍｂｅｒｓｈｉｐｉｎｔｈｅｒｅａｌｉｚａｔｉｏｎｏｆａｎｕｍｂｅｒｏｆｑｕａｎｔｉｔａｔｉｖｅｃｏｍｐｏｓｉｔｉｏｎｏｆｔｈｅｃｌａｓｓｉｆｉｅｒｓ．Ｔｈｅｒｅｓｕｌｔｓ ｏｆｅｘｐｅｒｉｍｅｈｔａｎｄｃｏｍｐａｒｉｓｏｎｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｆｅａｓｉｂｌｅａｎｄｅｆｆｅｃｔｉｖｅ． ＫＥＹＷＯＲＤＳ：Ｃｌａｓｓｉｆｉｅｒ；Ｑｕａｎｔｉｔａｔｉｖｅｃｏｍｂｉｎａｔｉｏｎ；Ｌｉｔｈｏｌｏｇｙｒｅｃｏｇｎｉｔｉｏｎ ｌ引言 储层岩性识别是储层特性反演的一个重要内容，人们一直在努力．，手找一种高效、准确的储层岩性自动确定方法。传统的方法主要有两种：交会图快速识别和统计学方法，其中前者财所用的测井曲线要求较高，而后者则要求有先验概率和条件概率才能达到确切识别，而现实中先验概率很少知道…。ｌＥ因为传统的方法存在着不足，同时模式识别的快速发展，其识别能力的提高，越来越多的人应用模式识别的方法对储层岩性进行识别。崔勇”’等人把神经网络及其改进引入岩性识别Ｉ：，范翔宁＂１等人把模糊模式识别用在岩性识别Ｉ：，都取得了很好的应用效果。 在国外，Ｄｕｅｒｒ等就曾提出基于不同分类器以及不同特征的分类系统经常ｔ有补充＂１。Ｙｉｚｈａｋ和Ｃｈｅｖａｌｉｅｒ也对多种识别器组合成的系统结构做了探讨”Ｊ。在国内，南京理Ｅ大学的杨静’ｊ：教授及其学牛在分类器组合及其应用在手写字体的识别Ｉ：做ｒ大量的工作，得到ｒ一些结论旧４。。研究 收稿口期：２００８－０３一１３修同日期：２００９一０２—２５表明：利用小同性质特征和不同分类器的组合就可能全面反映出一个模式，从而得到一个较好的分类结果，这种把多个分类器的组合可以降低识别错误及增强识别鲁棒性。冈而分类器的组合系统为储层岩性识别提供了一种新的、更有效的判别手段。它通过组合各种分类器，学习已知样本，建立测井信息或者说足样本特征与不同岩性类别之间的对应关系，并应用这种关系去实现财未知类别样本的判别。本文利用模糊数学的思想对二种分类器进ｊｉ定量组合，并应用某油田２ｌ兀测井数据为实例进行验证，结果表明方法是可行的。 ２分类器组合模型 本文借鉴乇正群在文献［８］中所提出的多分类器组合模型组合，采用一种多分类器的模糊组合方法。它利用了成员分类器提供的两类信息：①在度最层次上，对未知模式的分类信息，②在符号层次卜，每类样本的错分类分布状况。对这两类信息进行模糊集成，对为知模式进行判断，在度馈层次上，产生未知模式来自各类别的町能性度量，在符号层次上，认为未知模式来自具有最大度量值的类别１８ｊ。 假设模式有ｃ个类别∞。，∞：，…，甜。，参与组合的分类器 ．．．。—２７５．．．．— 万方数据
矿产分类 能源矿产：煤、油页岩、石油、天然气、煤层气、石煤、石油天然气、铀、钍、天然沥青、地热。 黑色金属矿产：铁矿、锰矿、铬铁矿、钛矿、钒矿、金红石。 有色金属矿产：铜矿、铅矿、锌矿、铝土矿、镁矿、镍矿、钴矿、钨矿、锡矿、铋矿、钼矿、汞矿、锑矿、多金属。 铂族金属矿产：铂矿、钯矿、铱矿、铑矿、锇矿、钌矿。 贵金属矿产：砂金、金矿、银矿。 稀有稀土及分散元素矿产：铌钽矿、铌矿、钽矿、铍矿、锂矿、锆矿、锶矿（天青石）、铷矿、铯矿、重稀土矿、钇矿、钆矿、铽矿、镝矿、钬矿、铒矿、铥矿、镱矿、镥矿、轻稀土矿、铈矿、镧矿、镨矿、钕矿、钐矿、铕矿、锗矿、镓矿、铟矿、铊矿、铪矿、铼矿、镉矿、钪矿、硒矿、碲矿。 冶金辅助原料非金属矿产：蓝晶石、矽线石、红柱石、菱镁矿、萤石(普通)、熔剂用石灰岩、冶金用白云岩、冶金用石英岩、冶金用砂岩、铸型用砂岩、铸型用砂、冶金用脉石英、耐火粘土、铁钒土、其它粘土、铸型用粘土、耐火用橄榄岩、熔剂用蛇纹岩。 化工原料非金属矿产：自然硫、硫铁矿、钠硝石、明矾石、芒硝（含钙芒硝）、重晶石、毒重石、天然碱、电石用灰岩、制碱用灰岩、化肥用石灰岩、化肥用白云岩、化肥用石英岩、化肥用砂岩、含钾岩石、含钾砂页岩、化肥用橄榄岩、化肥用蛇纹岩、泥炭、矿盐、岩盐、湖盐、镁盐、天然卤水、钾盐、碘、溴、砷、磷矿。 特种非金属矿物：金刚石、水晶、压电水晶、熔炼水晶、光学水晶、工艺水晶、蓝石棉、云母、电气石、方解石、冰洲石、光学萤石、硼矿。 建材及其它非金属矿物:油砂、赭石、颜料矿物、颜料黄土、石墨、刚玉、硅灰石、滑石、石棉（温石棉）、长石、石榴子石、黄玉、叶腊石、透辉石、蛭石、沸石、透闪石、石膏、宝石、玉石、玛瑙、石灰岩、玻璃用石灰岩、水泥用石灰岩、建筑石料用灰岩、饰面用灰岩、制灰用石灰岩、含钾岩石、泥灰岩、白垩、白云岩、玻璃用白云岩、建筑用白云岩、石英岩、冶金用石英岩、玻璃用石英岩、砂岩、玻璃用砂岩、水泥配料用砂岩、砖瓦用砂岩、陶瓷用砂岩、天然石英岩、玻璃用砂、海砂、建筑用砂、水泥配料用砂、水泥标准砂、砖瓦用砂、脉石英、玻璃用脉石英、粉石英、天然油石、硅藻土、页岩、陶粒页岩、砖瓦用页岩、水泥配料用页岩、高岭土、陶瓷土、凹凸棒石粘土、海泡石粘土、伊利石粘土、累托石粘土、膨润土、砖瓦用粘土、陶粒用粘土、水泥用粘土、水泥配料用红土、水泥配料用黄土、水泥配料用泥岩、保温材料用粘土、橄榄岩、建筑用橄榄岩、蛇纹石、饰面用蛇纹石、玄武岩、铸石用玄武岩、岩棉用玄武岩、辉绿岩、水泥用辉绿岩、铸石用辉绿岩、建筑用辉绿岩、安山岩、饰面用安山岩、建筑用安山岩、水泥混合材料用安山岩、闪长岩、建筑用闪长岩、水泥混合材料用闪长玢岩、花岗岩、建筑用花岗岩、饰面用花岗岩、卖饭石、珍珠岩、黑曜岩、松脂岩、浮石、粗面岩、水泥用粗面岩、铸石用粗面岩、霞石正长岩、凝灰岩、玻璃用凝灰岩、水泥用凝灰岩、建筑用石料（凝灰岩）、火山灰、水泥用火山灰、火山渣、大理岩、饰面用石料（大理石）、建筑用大理石、水泥用大理石、玻璃用大理石、板岩、饰面用板岩、水泥配料用板岩、片麻
随机森林与支持向量机分类性能比较 黄衍，查伟雄 （华东交通大学交通运输与经济研究所，南昌 330013） 摘要：随机森林是一种性能优越的分类器。为了使国内学者更深入地了解其性能，通过将其与已在国内得到广泛应用的支持向量机进行数据实验比较，客观地展示其分类性能。实验选取了20个UCI数据集，从泛化能力、噪声鲁棒性和不平衡分类三个主要方面进行，得到的结论可为研究者选择和使用分类器提供有价值的参考。 关键词：随机森林；支持向量机；分类 中图分类号：O235 文献标识码： A Comparison on Classification Performance between Random Forests and Support Vector Machine HUANG Yan, ZHA Weixiong (Institute of Transportation and Economics, East China Jiaotong University, Nanchang 330013, China)【Abstract】Random Forests is an excellent classifier. In order to make Chinese scholars fully understand its performance, this paper compared it with Support Vector Machine widely used in China by means of data experiments to objectively show its classification performance. The experiments, using 20 UCI data sets, were carried out from three main aspects: generalization, noise robustness and imbalanced data classification. Experimental results can provide references for classifiers’ choice and use. 【Key words】Random Forests; Support Vector Machine; classification 0 引言 分类是数据挖掘领域研究的主要问题之一，分类器作为解决问题的工具一直是研究的热点。常用的分类器有决策树、逻辑回归、贝叶斯、神经网络等，这些分类器都有各自的性能特点。本文研究的随机森林[1]（Random Forests，RF）是由Breiman提出的一种基于CART 决策树的组合分类器。其优越的性能使其在国外的生物、医学、经济、管理等众多领域到了广泛的应用，而国内对其的研究和应用还比较少[2]。为了使国内学者对该方法有一个更深入的了解，本文将其与分类性能优越的支持向量机[3]（Support Vector Machine，SVM）进行数据实验比较，客观地展示其分类性能。本文选取了UCI机器学习数据库[4]的20个数据集作为实验数据，通过大量的数据实验，从泛化能力、噪声鲁棒性和不平衡分类三个主要方面进行比较，为研究者选择和使用分类器提供有价值的参考。 1 分类器介绍 1.1 随机森林 随机森林作为一种组合分类器，其算法由以下三步实现： 1. 采用bootstrap抽样技术从原始数据集中抽取n tree个训练集，每个训练集的大小约为原始数据集的三分之二。 2. 为每一个bootstrap训练集分别建立分类回归树（Classification and Regression Tree，CART），共产生n tree棵决策树构成一片“森林”，这些决策树均不进行剪枝（unpruned）。在作者简介：黄衍（1986-），男，硕士研究生，主要研究方向：数据挖掘与统计分析。 通信联系人：查伟雄，男，博士，教授，主要研究方向：交通运输与经济统计分析。 E-mail: huangyan189@https://www.doczj.com/doc/3118451133.html,.
SVM的常用多分类算法概述 摘要：SVM方法是建立在统计学习理论基础上的机器学习方法，具有相对优良的分类性能，是一种非线性分类器。最初SVM是用以解决两类分类问题，不能直接用于多类分类，当前已经有许多算法将SVM推广到多类分类问题，其中最常用两类：OAA和OAO算法，本文主要介绍这两类常用的多分类算法。 关键词：SVM；多分类；最优化 自从90年代初V. Vapnik提出经典的支持向量机理论（SVM），由于其完整的理论框架和在实际应用中取得的很多好的效果，在模式识别、函数逼近和概率密度估计领域受到了广泛的重视。SVM方法是建立在统计学习理论基础上的机器学习方法，具有相对优良的分类性能。SVM是一种非线性分类器。它的基本思想是将输入空间中的样本通过某种非线性函数关系映射到一个特征空间中，使两类样本在此特征空间中线性可分，并寻找样本在此特征空间中的最优线性区分平面。它的几个主要优点是可以解决小样本情况下的机器学习问题，提高泛化性能，解决高维问题、非线性问题，可以避免神经网络结构选择和局部极小点问题。 1. SVM方法 若样本集Q={（x i，y i）|i=1,……,L}∈R d*{-1,+1}是线性可分的。则存在分类超平面w T x+b=0,x∈R d对样本集Q中任一（x i，y i）都满足： 在空间R d中样本x=（x1，…, x d）r到分类超平面的距离d=|w T*x+b|/||w||，其中 ||w||= . 当存在x 使得w T x i+b=±1, 则图1中超平面的分类间隔 margin = 2/ ‖w ‖。 使分类间隔margin 最大的超平面即为最优分类超平面。寻找最优分类超平面的问题将转化为求如下一个二次规划问题: minΦ( w) =1/2‖w ‖ 满足约束条件： y i ( w T x i + b) ≥1 , i = 1 ,2 , ?, L 采用Lagrange 乘子转换为一个对偶问题,形式如下: 满足约束条件:
) ( (51)International Patent Classification:(74)Agent:KENNEDY,Richard;Venner Shipley LLP,5Stir- G06N20/00(2019.01)lingHouse,Stirling Road,The Surrey ResearchPark,Guild? ford Surrey GU27RF(GB). (21)International Application Number: PCT/GB2019/050979(81)Designated States(unless otherwise indicated,for every kind o f national protection av ailable).AE,AG,AL,AM, (22)International Filing Date:AO,AT,AU,AZ,BA,BB,BG,BH,BN,BR,BW,BY,BZ, 04April2019(04.04.2019) CA,CH,CL,CN,CO,CR,CU,CZ,DE,DJ,DK,DM,DO, (25)Filing Language:English DZ,EC,EE,EG,ES,FI,GB,GD,GE,GH,GM,GT,HN, HR,HU,ID,IL,IN,IR,IS,JO,JP,KE,KG,KH,KN,KP, (26)Publication Language:English KR,KW,KZ,LA,LC,LK,LR,LS,LU,LY,MA,MD,ME, (30)Priority Data:MG,MK,MN,MW,MX,MY,MZ,NA,NG,NI,NO,NZ, 1805871.909April2018(09.04.2018)GB OM,PA,PE,PG,PH,PL,PT,QA,RO,RS,RU,RW,SA, SC,SD,SE,SG,SK,SL,SM,ST,SV,SY,TH,TJ,TM,TN, (71)Applicant:VOLUME LIMITED[GB/GB];Buckhurst TR,TT,TZ,UA,UG,US,UZ,VC,VN,ZA,ZM,ZW. Court,London Road,Wokingham Berkshire RG401PA (GB).(84)Designated States(unless otherwise indicated,for every kind o f regional protection available).ARIPO(BW,GH, (72)Inventors:ALVAREZ,Benoit;c/o Volume Limited,GM,KE,LR,LS,MW,MZ,NA,RW,SD,SL,ST,SZ,TZ, Buckhurst Court,London Road,Wokingham Berkshire UG,ZM,ZW),Eurasian(AM,AZ,BY,KG,KZ,RU,TJ, RG40IPA(GB).WICKENS,Marc;c/o Volume Limit?TM),European(AL,AT,BE,BG,CH,CY,CZ,DE,DK, ed,Buckhurst Court,London Road,Wokingham Berkshire EE,ES,FI,FR,GB,GR,HR,HU,IE,IS,IT,LT,LU,LV, RG401PA(GB).MC,MK,MT,NL,NO,PL,PT,RO,RS,SE,SI,SK,SM, (54)Title:ANALYSING MACHINE-LEARNED CLASSIFIER MODELS (57)Abstract:A computer-implemented method comprises inputting a data item for processing by a machine-learned classifier model and receiving,in response to inputting the data item,a plurality of confidence scores for a plurality of respective classes,the plurality of confidence scores having been generated by the machine-learned classifier model based on the data item.The method further comprises determining a distance in dependence on a highest confidence score that is generated for the data item,and causing display of a class distribution diagram,wherein the class distribution diagram comprises:a graphical representation corresponding to a first class,said first class being one of said plurality of classes;a graphical representation corresponding to a second class,said second class being another of said plurality of classes;and a graphical representation corresponding to the data item,wherein the graphical representation corresponding to the data item is located at said distance between the graphical representation of the first class and the graphical representation of the second class. [Continued on next page]
————————————————————————————————————————————————多类型分类器融合的文本分类方法研究 作者李惠富，陆光 机构东北林业大学信息与计算机工程学院 基金项目黑龙江省自然科学基金资助项目（F201201） 预排期卷《计算机应用研究》2019年第36卷第3期 摘要传统的文本分类方法大多数使用单一的分类器，而不同的分类器对分类任务的侧重点不同，就使得单一的分类方法有一定的局限性，同时每个特征提取方法对特征词的考虑角度不同。 针对以上问题，提出了多类型分类器融合的文本分类方法。该模型使用了word2vec、主成分 分析、潜在语义索引以及TFIDF特征提取方法作为多类型分类器融合的特征提取方法。并在 多类型分类器加权投票方法中忽略了类别信息的问题，提出了类别加权的分类器权重计算方 法。通过实验结果表明，多类型分类器融合方法在二元语料库、多元语料库以及特定语料库 上都取得了很好的性能，类别加权的分类器权重计算方法比多类型分类器融合方法在分类性 能方面提高了1.19%。 关键词文本分类；分类器融合；主成分分析；潜在语义索引 作者简介李惠富（1992-），男，黑龙江讷河人，硕士研究生，主要研究方向为文本挖掘；陆光（1963年-），男（通信作者），副教授，博士，主要研究方向为电子商务与系统开发（lg603@https://www.doczj.com/doc/3118451133.html,）． 中图分类号TP391 访问地址https://www.doczj.com/doc/3118451133.html,/article/02-2019-03-005.html 发布日期2018年4月17日 引用格式李惠富, 陆光. 多类型分类器融合的文本分类方法研究[J/OL]. 2019, 36(3). [2018-04-17]. https://www.doczj.com/doc/3118451133.html,/article/02-2019-03-005.html.
矿产分类标准 一、能源矿产 1、煤 2、煤层气 3、油页岩 4、石油 5、天然气（含页岩气） 6、泥炭 7、石煤 8、天然气水合物 9、天然沥青（含地蜡） 10、铀 11、钍 12、地热 二、金属矿产 （一）黑色金属矿产 1、铁 2、锰 3、铬 4、钒 5、钛 （二）有色金属矿产 1、铜 2、铅 3、锌 4、铝 5、镁 6、镍 7、钴 8、钨 9、锡 10、铋 11、钼 12、锑 13、汞 （三）贵金属矿产 1、铂类金属（铂、钯、铑、铱、钌、锇） 2、金 3、银 （四）稀有金属矿产 1、铌钽 2、铍 3、锂
4、锆 5、锶 6、铪 7、铷 8、铯 （五）稀土金属矿产 1、稀土金属（钇、镧、铈、镨、钕、钷、钐、铕、钆、铽、镝、钛、铒、铥、镱、镥） 2、钪 （六）分散元素矿产 1、锗 2、镓 3、铟 4、铊 5、铼 6、镉 7、硒 8、碲 三、非金属矿产 （一）工业矿物 1、金刚石 2、石墨 3、磷 4、硫（自然硫、硫铁矿） 5、钾盐 6、盐（岩盐、湖盐、无然卤水） 7、碘 8、溴 9、砷（雄黄、雌黄、毒砂） 10、硼 11、芒硝（无水芒硝、钙芒硝、白钠镁矾） 12、天然碱 13、水晶 14、水镁石、纤维状水镁石 15、刚玉 16、金红石 17、红柱石、蓝晶石、矽线石 18、硅灰石 19、钠硝石、钾硝石 20、滑石、镁式粘土 21、白云母、金云母 22、碎云母 23、石棉 24、蓝石棉 25、锂辉石、锂云母
26、绿泥石 27、皂土 28、长石 29、橄榄石 30、石榴子石 31、锆石 32、叶蜡石 33、透闪石、透辉石 34、蛭石 35、沸石 36、明矾石 37、石膏、硬石膏 38、重晶石、毒重石 39、天青石（含菱锶矿） 40、冰洲石 41、方解石（重质碳酸钙原料） 42、菱镁矿 43、萤石 44、电气石 （二）工业岩石 1、石灰岩、大理岩、泥灰岩 2、白垩 3、白云岩、白云石大理岩 4、砂、卵石、碎石（集料用） 5、铸造用砂、长石砂岩、长石石英砂岩 6、玻璃、陶瓷、冶金用石英砂、石英砂岩、石英岩 7、天然油石 8、脉石英 9、粉石英 10、硅藻土、硅质页岩 11、高岭土 12、凹凸棒石粘土、纤维状凹凸棒石 13、海泡石粘土、纤维状海泡石 14、伊利石粘土 15、累托石粘土 16、膨润土（含漂白土） 17、水泥配料用粘土岩类 18、砖瓦用粘土岩类 19、陶粒用粘土岩类 20、制陶用粘土岩类 21、铸型用粘土岩类 22、铁矾土 23、耐火粘土 24、榴辉岩
关于进一步规范矿业权出让管理的通知 国土资发（2006）12号 各省、自治区、直辖市国土资源厅(国土环境资源厅、国土资源局、国土资源和房屋管理局、房屋土地资源管理局),新疆生产建设兵团国土资源局： 2003年部下发《探矿权采矿权招标拍卖挂牌管理办法(试行)》(国土资发〔2003〕197号)以来，全国矿业权市场建设取得了积极进展。依据矿产资源法律法规，按照《国务院关于全面整顿和规范矿产资源开发秩序的通知》(国［2005］28号)的要求，为了进一步规范矿业权出让管理，现就完善探矿权采矿权招标拍卖挂牌管理办法的有关事项补充通知如下。 一、矿业权的分类及出让方式 按照颁发勘查许可证、采矿许可证的法定权限，矿业权出让由县级以上人民政府国土资源主管部门负责，依法办理。 (一)属于《矿产勘查开采分类目录》(以下简称《分类目录》，见附件)规定的第一类矿产的勘查，并在矿产勘查工作空白区或虽进行过矿产勘查但未获可供进一步勘查矿产地的区域内，以申请在先即先申请者先依法登记的方式出让探矿权。 (二)属于下列情形的，以招标拍卖挂牌方式出让探矿权。 1《分类目录》规定的第二类矿产； 2《分类目录》规定的第一类矿产，已进行过矿产勘查工作并获可供进一步勘查的矿产地或以往采矿活动显示存在可供进一步勘查的矿产地。 (三)属于下列情形的，不再设探矿权，而以招标拍卖挂牌方式直接出让采矿权。 1《分类目录》规定的第三类矿产； 2《分类目录》规定的第一类、第二类矿产，探矿权灭失、但矿产勘查工作程度已经达到详查(含)以上程度并符合开采设计要求的矿产地； 3《分类目录》规定的第一类、第二类矿产，采矿权灭失或以往有过采矿活动，经核实存在可供开采矿产储量或有经济价值矿产资源的矿产地。 (四)石油、天然气、煤成(层)气、铀、钍矿产资源的勘查开采，按照现行规