فروشگاه اینترنتی جوبوک

تخمین ذخیره کانسار با تکنیک شبکه عصبی مصنوعی در این تحقیق موضوعات تخمین ذخیره، شبکه عصبی مصنوعی، شبکه پرسپترون، شبکه با تغذیه پیشرو، فضای تخمین بررسی می شود مهم ترین ویژگی شبکه های عصبی، غیرخطی بودن و قابلیت حذف نویز می باشد. شبکه های عصبی نیاز به دستورات کاملاً صریح و مشخص و مدل های ریاضی محض ندارند و برای حل مسائلی که فرمول حل آنها
ناشناخته است و یا ابهامی در آنها دیده می شود، کاربرد دارند. از آنجا که در مسائل معدنی، همواره الگوی
موجود بین داده ها پیچیده و غیر خطی است، لذا شبک ههای عصبی و مصنوعی، می توانند تکنیک مؤثری برای حل این مسأله به شمار آیند. یکی از کاربردهای شبکه عصبی در مسائل علوم زمین، تخمین ذخایر معدنی

می باشد. در مسأله تخمین ذخیره توسط شبکه عصبی، در حقیقت الگوی بین مختصات ( ورودی شبکه) و
عیار در آن مختصات (خروجی شبکه) توسط شبکه یادگرفته می شود.سپس به ازای هر مختصات جدید ارائه شده به شبکه عصبی آموزش دیده، خروجی متناظر که عیار تخمینی در آن مختصات می باشد، بدست می آید

.ساختار شبکه های عصبی از واحدهای پردازشگر (نرون ها) تشکیل شده که وظیفه سازماندهی را به عهده دارند.این نرون ها می تواند با یکدیگر ترکیب شده و تشکیل لایه
را دهند هر سلول عصبی دارای چندین ورودی است. این ورودی ها با یکدیگر ترکیب شده و پس از انجام عملیات پردازش، یک
خروجی را ارائه می دهند
،سلول های شبکه به یکدیگر متصل هستند به طوریکه خروجی هر سلول،
 ورودی سلول بعدی می باشد
اولین لایه، لایه ورودی می باشد که در پردازش هیچ نقشی ایفا نمی کند (البته برخی آن را لایه
محسوب کرده و نام لایه ورودی را به آن می دهند ولی برخی متخصصین دیگر آن را به عنوان لایه محسوب
اطلاق می کنندو صرفاً ورود یها به این بخش وارد می شوند که  نکرده و آن را بردار ورودی
از طریق ارتباطات موجود به درون لایه های بعدی فرستاده شده تا مورد پردازش قرار گیرند. لایه انتهایی لایه
خروجی است که، پاسخ شبکه را بدست می دهد. لایه های مابین لایه ورودی و خروجی، لایه های پنهان
یا میانی نامیده می شوند.