تخمين مقادير آنومال مس - موليبدن با استفاده از روش جدايش فواصل ماهالانوبيس و سه روش پركاربرد داده كاوي؛ مطالعه موردي: ظفرقند

اين پژوهش به منظور كاهش خطا در راستاي صرف هزينه و انرژي به بررسي تركيب روش‌هاي داده كاوي و جدايش آنومالي پرداخته است. اهميت تشخيص مقادير آنومال از زمينه بر هيچ يك پوشيده نيست، به اين منظور روش‌هاي متعددي ابداع گشته است كه از آن جمله مي‌توان به روش جدايش فواصل ماهالانوبيس اشاره كرد كه روشي مؤثر و چند متغيره در جدايش مقادير آنومال از زمينه محسوب مي‌شود. در مطالعه حاضر، به بررسي عملكرد تركيب روش جدايش فوق با سه روش داده كاوي -Kنزديكترين همسايه، طبقه بند ساده بيز و شبكه عصبي كانولوشن پرداخته مي‌شود، به اين ترتيب كه پس از جدايش مقادير آنومال مس و موليبدن در مورد 177 نمونه حاصله از عمليات نمونه‌برداري سطحي در محدوده ظفرقند به كمك روش فواصل ماهالانوبيس، به منظور پيش‌بيني اين مقادير براي هر نمونه تصادفي، سه روش داده كاوي مذكور، مورد استفاده قرار گرفت. نتايج نشان مي‌دهد كه روش -K نزديكترين همسايگي به مراتب قوي‌تر بوده، زيرا در شبكه طراحي شده توسط اين روش، هيچ نمونه اي اشتباهاً شناسايي نشد كه نشان دهنده دقت بالاي شبكه طراحي شده است. لازم به ذكر است كه تعداد نمونه‌هاي به اشتباه پيش‌بيني شده براي دو روش شبكه عصبي كانولوشن و بيز به ترتيب برابر با 2 و 3 عدد گزارش شده‌اند. با توجه به ميزان خطاي به مراتب قابل قبول‌تري براي شبكه طراحي شده توسط تركيب روش -K نزديكترين همسايگي و فواصل ماهالانوبيس، تركيب مذكور به عنوان روشي قابل اطمينان و سودمند جهت رسيدن به صحيح‌ترين پيشگوئي‌ها به تصميم‌گيران اين صنعت معرفي شده است.