粤北诸广山南部是我国重要的产铀花岗岩地区,前人在该区做了大量的工作,发现了一批浅部矿床,但在提交最后一批铀资源后的几十年中,在该区的找矿工作未能取得实质性的突破,花岗岩型铀矿找矿前景面临着严峻的挑战。为了在新一轮的找矿进程中有所突破,大量查阅和研究以往的勘查地质资料发现,以往工作所采用的勘查手段较单一,主要是地质测量加放射性物探测量,处理方法大多采用传统的数理统计方法。这种组合方法在寻找地表或浅部铀矿床时能取得很好的找矿效果,但对于寻找隐伏矿床则效果不佳。一方面是因为该方法测量深度浅、变量少,大大制约了深部矿化信息的提取,另一方面则是采用传统的统计方法处理非线性的地质数据,造成数据失真过大,预测偏差也较大。因此,解决上述问题所采取的方法手段,无疑地球化学测量及神经网络具有较大优势,这是因为地球化学测量具有深穿透、多变量及高精度的特点,在目前的找矿应用中效果显著,而神经网络则具有超强的非线性处理能力,能最大程度还原数据的真实性。本文旨在以土壤地球化学测量数据建立神经网络预测系统,对研究区实行铀成矿远景预测,同时介绍了数据的预处理及网络的预测过程,其中包括:①数据归一化处理,采用偏度峰度法,按不同的地层或岩性分别计算各元素的平均值和标准偏差,并根据公式对原始数据进行标准化;②输入神经元的选择,主要是通过对矿床、矿区和区域上采集的样本作R型聚类分析,分别求取各自与铀的元素组合,取矿床、矿区的元素组合区别于区域的元素组合作为网络的输入变量。其次就是总结以往的找矿经验,对在R型聚类分析中未能入选的变量而在实际找矿应用中又有较好效果的则重新将其加入到输入变量的行列中;③单元面积的确定,通过在已知铀矿床上分析其面积大小与铀含量的变化关系,选择合适的单元面积,能最大限度地突出单元内的成矿有利因素(减少面积),同时又尽可能地降低局部干扰的混入(增大面积);④预测数据的提取,是以确定好的单元面积,在研究区内采用滑动平均的取值方法,求取单元内各元素的算术平均值作为该单元的预测数据;⑤BP神经网络预测,首先应用留一交叉验证法确定网络的最佳参数,以该参数重新训练网络。在预测时,对预测结果给定一个界限,对大于该界限的输入则认为是对成矿有利;⑥自组织特征映射(SOM)网络分类,首先应用较小的分类数对输入数据作粗分,观测其分类效果与实际地质情况是否相符或相近来判断分类的好坏,然后增大分类数对输入数据作细分,选择已知矿床所在的分组作为成矿的有利地段;⑦根据研究区内的地质资料及神经网络预测成果进一步筛选远景片。通过上述步骤的操作,最后在研究区内确定了3处铀成矿远景片,各个远景片对应了有利的地质条件,取得了很好的预测效果。并在此基础上得出了以下结论:①在缺少训练样本的情况下,进行多重交叉验证,是寻找最佳网络参数,提高网络性的重要保证;②BP神经网络利用研究区内外的已知矿床进行训练,除研究区内4个作为训练样本的矿床外,其余并未参与训练的矿点、矿化点和异常点大多落在网络预测的远景地段内,说明BP神经网络用于铀成矿远景预测是可行的;③从SOM网络的粗分结果与实际的地层、岩性分布对比可以看出,除了地层和岩性边界存在模糊现象外,网络的分类基本对应了地层和岩性的分布,因此,利用细分后已知矿床所在的分类作为铀成矿有利地段是可靠的。