Статистические модели полиминеральных полей промежуточных коллекторов россыпных алмазов : На примере месторождений Якутии и Северного Урала

• Автор: Бочнева, Анна Александровна
• Шифр специальности: 25.00.35
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Москва
• Количество страниц: 123 с. : ил.

Список сокращений

1. Состояние вопроса и постановка проблемы

1.1 Проблема промежуточных коллекторов

1.2 Генезис и условия залегания промежуточных коллекторов

1.3 Использование методов математической статистики

2. Объекты исследования и характеристика материала

2.1 Мало-Ботуобинский алмазоносный район

2.2 Эбеляхский алмазоносный район

2.3 Красновишерский алмазоносный район

3. Статистические модели структуры поликомпонентных минеральных систем и методы их исследования

3.1 Кластерный анализ

3.2 Факторный анализ
3.3 Метод «информационной» энтропии К.Шеннона
3.4 Тренд-анализ
4. Структура минеральных ассоциаций алмазоносных осадочных толщ как показатель трансформации минеральных парагенезисов
4.1 Общие особенности состава минеральных ассоциаций алмазоносных площадей (на примере Мало-Ботуобинского алмазоносного района
4.1.1 Распределение содержаний кластогенных минералов
4.1.2 Выделение информативных минеральных ассоциаций методом кластерного анализа
4.1.3 Пространственная изменчивость поликомпонентных минеральных полей (по данным метода главных компонент)
4.1.4 Сравнительный анализ полиминеральных ассоциаций и полей в области развития разнотипных промежуточных коллекторов
4.2 Изменчивость минеральных парагенезисов в геологическом разрезе фанерозойских образований
5. Сравнительный анализ моделей минеральных полей промежуточных коллекторов Мало-Ботуобинского и Эбеляхского алмазоносных районов
5.1 Анализ структуры полиминеральных полей в районах развития промежуточных коллекторов методом тренд-анализа
5.2 Модели энтропийных полей алмазоносных районов с развитием промежуточных коллекторов
5.2.1 Энтропийное поле Мало-Ботуобинского алмазоносного района
5.2.2 Энтропийное поле Эбеляхского алмазоносного района
5.3 Разработка алгоритма целевой модели минерального поля россыпных объектов
Заключение
Литература
Список иллюстраций

Список сокращений
Амфибол - Amph Эпидот - Еру Дистен - Di Хлорит - Cl Сфен - Sph Ильменит - Ilm Магнетит - Mgt Пирит - Ру Шпинель - Sp Рутил - Ru Ставролит - Sta Андрадит - Andr Гроссуляр - Gros Апатит - Ар Анатаз - An Циркон - Zr Турмалин - Turm Хромит - Cr Лейкоксен - Leu Лимонит - Lim Альмандин
пучка: Метод позволяет выделять несколько латентных и характерных факторов, впервые появляется возможность соотносить факторное решение с исходными данными, т.е. в простейшем виде решать задачу аппроксимации.
Современные аппроксимирующие методы часто предполагают, что первое, приближенное решение уже найдено каким либо из способов, последующими шагами это решение оптимизируется (Крамбейн, Кауфмен, Мак-Кемон, 1973; Вистелиус, 1980; Девис, 1990). Методы отличаются сложностью вычислений. К этим методам относятся:
• групповой метод Л. Гуттмана и П. Хорста. Решение базируется на предварительно отобранных каким-либо образом группах элементарных признаков;
• метод главных факторов Г. Томсона. Наиболее близок методу главных компонент, отличие заключается в предположении о существовании характерностей;
• метод максимального правдоподобия (Д. Лоули), минимальных остатков (Г. Харман), а-факторного анализа (Г. Кайзер и И. Кэффри) канонического факторного анализа (К. Рао), все оптимизирующие. Они позволяют последовательно улучшить предварительно найденные решения на основе использования статистических приемов оценивания случайной величины или статистических критериев, предполагают большой объем трудоемких вычислений. Наиболее перспективным и удобным для работы в этой группе признается метод максимального правдоподобия.
Основной задачей, которую решают разнообразными методами факторного анализа, включая и метод главных компонент, является сжатие информации, переход от множества значений по т элементарным признакам с объемом информации п х т к ограниченному множеству элементов матрицы факторного отображения (т х г) или матрицы значений латентных факторов для каждого наблюдаемого объекта размерностью п х г, причем обычно г < т.
Методы факторного анализа позволяют также визуализировать структуру изучаемых явлений и процессов, а, значит, и определять их состояние и прогнозировать развитие. Наконец, данные факторного анализа дают основания для идентификации объекта, т.е. решения задачи распознавания образа.
Методы факторного анализа обладают свойствами, благодаря которым их успешно используют в составе других статистических методов, наиболее часто в