基于獨立分量分析的鋁土礦蝕變信息遙感提取方法

彭光雄，王明艷，陳鋒銳，潘 彤，葉震超

(1. 中南大學 有色金屬成礦預測教育部重點實驗室，長沙 410083；2. 中南大學 地球科學與信息物理學院，長沙 410083；3. 青海省地質調查院，西寧 810012；4. 湖南有色金屬控股集團有限公司 礦山管理部，長沙 410015；5. 河南大學 環境與規劃學院，開封 475001)

紅土型鋁土礦床主要由含酸性、中性和基性成分的鋁硅酸鹽巖石在熱帶和亞熱帶氣候條件下經深度化學風化形成[1]。鋁土礦常跟褐鐵礦與赤鐵礦等相伴生而形成含鐵的紅土層，成為鋁土礦的重要找礦標志，并受地形剝蝕在地表形成規律性的地貌特征，十分利于鋁土礦的遙感信息提取。遙感蝕變或異常信息的提取是遙感找礦的重要途徑之一，自20世紀70年代以來就成為遙感地質的熱點研究問題，逐步形成了以光譜波段比值和主成分析(Principal component analysis,PCA)為核心的遙感蝕變或異常提取多方法[2?3]。鋁土礦的礦化蝕變也一直運用這兩種主要方法進行遙感提取[3?6]，較少引入新的數據分析方法。獨立分量分析(Independent component analysis, ICA) 是近幾年才發展起來的一種新的數據分析方法， 它將觀察到的數據進行某種線性分解, 使其分解成統計獨立的成分[7]。PCA是基于二階的統計量，然而很多弱信息有時包含在高階的統計量中，采用 PCA 算法進行處理可能會遺漏一些關鍵信息[8]。而ICA是基于高階統計的，它不但能實現PCA的去相關特性，而且還能獲得各分量之間相互獨立的特性，從而使得ICA比PCA表現出更好的性能[9?10]。目前，ICA 在信號處理尤其是盲信號分離上有著廣泛的應用[7,11]。本文作者引入ICA法用于遙感提取鋁土礦的蝕變信息，使得各個變量之間相互獨立，以便簡潔有效地進行數據表達，從而有利于后續的蝕變信息閾值分割處理，提高鋁土礦蝕變信息提取的精度。

1 研究區域與數據

幾內亞鋁土礦資源非常豐富, 是世界上鋁土礦資源儲量最大的國家。研究區位于幾內亞金迪亞區的法雷和馬迪納兩地之間的區域，屬于熱帶季風氣候，經緯度范圍為 W13°00′—W13°15′，N10°45′—N11°00′(見圖1(a))，是幾內亞鋁土礦的主要產區。該區域位于非洲大陸太古界基底西非克拉通內，主要地層為古生界奧陶系(O)海相沉積的泥巖、砂礫巖等，地層呈北東向單斜產出，斷裂構造以北東向為主、次之為北西向的性質不明斷層，巖漿巖主要為呈枝杈狀分布于區域東北部的玄武巖、輝長巖，是區域的成礦母巖[12]。區內鋁土礦床多為輝長巖或玄武巖風化殘積型，沿垂向自上而下形成的巖性體為鐵礬土(塊狀鋁土礦)?鐵紅土(土狀鋁土礦)?鐵質黏土?黏土?粉砂質黏土?風化玄武巖(輝長巖)，構成該礦床的賦礦巖系[13?14]。鋁土礦均賦存于鐵礬土或其下的鐵紅土內，礦體大小不等, 形態各異, 多分布于正地形近地表處, 隨地形起伏而起伏[15]。地表厚為幾米至二十余米的風化殘積物—硅鋁鐵風化殼, 即是含礦層位，區域范圍內大部分被賦存鋁土礦的鐵帽覆蓋(見圖1(b))。

在本次實驗中，所使用的遙感數據為多光譜衛星影像(Advanced land observing satellite, ALOS)，共有420～500、520～600、610～690 和 760～890 nm 4 個光譜波段，空間分辨率均為10 m。為方便與GPS采點數據的集成分析，遙感影像采用UTM投影WGS84坐標系統。野外調查與數據采集工作由幾內亞的工作人員完成。

圖1 研究區位置(a)及地貌影像特征(b)Fig. 1 Location (a) and image features (b) of studied area

2 研究方法

在本次實驗中，分別利用ICA、PCA和波段比值法對研究區的鋁土礦蝕變信息進行遙感提取。將GPS

野外實地獲取的鋁土礦蝕變數據分為兩組，一組作為訓練樣本和建立遙感解譯標志，另一組用于結果檢驗和精度評價，以分析比較3種蝕變信息提取方法的性能特點和在該地區的適應性。最后，在鋁土礦蝕變信息遙感提取的基礎上，結合該地區的地質資料，利用成礦理論，對研究區的鋁土礦遠景成礦靶區進行預測分析和圈定，從而為該地區鋁土礦的勘查找礦提供參考。本次實驗數據處理與方法流程如圖2所示。

圖2 數據處理與方法流程Fig. 2 Flow chart of data processing and methods

2.1 獨立分量分析方法

JUTTEN和HERAULT[16]于1988年首次提出獨立分量分析(ICA)的概念，他們對 ICA 給出了一個簡單的描述，認為ICA 是從線性混合信號里恢復出一些基本的源信號的方法。ICA的嚴格定義需要使用一個隱藏的統計變量模型進行描述[17?18]。

式(1)中的統計模型稱為獨立成分分析或 ICA 模型，該模型描述了觀測數據是如何由信源S混合生成的。源變量S是隱藏變量，不能直接觀測到，而且混合矩陣 A 也是未知。所有能觀測到的數據只有隨機變量X，所以，必須估計出混合矩陣A和向量s，且必須在盡量少的假設條件下完成它。

ICA假設成分是統計獨立的，而且還必須假設獨立成分是非高斯分布的。如果能計算出混合矩陣A的逆矩陣W，也即分離矩陣W=A?1，則獨立成分可由下式得到：

獨立分量分析的主要任務是估計出分離矩陣W。目前實現ICA的方法有多種，如CHEN等[17]提出基于高階累積量來構造算法的代價函數法，BELL和SEJNOWSKI[19]提出的信息最大化(Infomax)方法等。

ICA是從PCA 發展而來，楊竹青等[7]總結了 ICA與PCA的區別，如表1所列。ICA得到的分量是盡可能互相獨立的，而PCA 得到的分量則僅是不相關(但并非是一定獨立的)。在實際應用中，大多數源信號是非高斯的，且其相互關系也是非正交的，因而ICA 比PCA 更接近實際情況，有著更大的應用潛力和更好的適應性。本文作者利用ICA法對鋁土礦的蝕變信息進行遙感提取，并與PCA和波段比值法的提取結果進行比較分析。

2.2 區內鋁土礦主要地質特征

區內風化殘積物?硅鋁鐵風化殼是本區的含礦巖系, 由上至下分為鐵礬土(鐵帽)、鋁土礦和黏土 3類[13]。1)鐵礬土層。厚度為0.5～9 m，呈褐紅色?褐色,常見斑雜色、紫紅色；其結構較為復雜，主要有泥質結構、均一結構、不等礫和巨礫結構，蜂窩狀?皮殼狀?塊狀構造；礦物成分主要為高嶺石、三水鋁石、赤鐵礦、褐鐵礦等，巖石較硬，局部含礫。鐵礬土分布面積廣，野外易于識別，是該地區鋁土礦重要的找礦標志，當 Al2O3含量高時也為優質的鋁土礦。2)鋁土礦層。厚度一般為0～18 m，主要有塊狀和土狀兩種礦石類型。塊狀鋁土礦位于鐵礬土下部， 褐紅色帶淺灰色，泥質?豆狀結構，蜂窩狀?塊狀構造，主要礦物成分為三水鋁石、高嶺石、白云母，含有赤鐵礦、褐鐵礦和針鐵礦。土狀鋁土礦位于塊狀鋁土礦下部，呈棕紅色、磚紅色，泥質?豆狀結構，土狀構造，主要礦物成分為三水鋁石、高嶺石、白云母, 含有針鐵礦，褐鐵礦。3)黏土層。黏土類巖石主要有鐵質黏土和黏土兩種類型。地表主要出露在切割較深的溝谷中, 呈長條水平層狀分布。

表1 PCA與ICA的特性比較[11]Table 1 Brief characteristic comparison between PCA and ICA

2.3 鋁土礦遙感特征分析

2.3.1 光譜特征分析

利用遙感進行鋁土礦信息的提取主要有兩種類型，一是直接提取Al3+和OH?的信息，二是間接提取與鋁土礦伴生的赤鐵礦和褐鐵礦的Fe3+的信息。本區的鋁土礦為紅土型三水鋁石礦，大部分被鐵礬土所覆蓋，且Al3+和OH?的遙感信息較弱，較難單獨分離，因而以Fe3+為主要的蝕變信息進行遙感提取。三水鋁石的野外照片如圖 3(a)所示，三水鋁石、針鐵礦和褐鐵礦的光譜曲線如圖3(b)所示。從圖3(b)可見，三水鋁石在1 440～1 600 nm間產生由1 435和1 558 nm組成的尖銳的“二元”吸收峰。Fe3+在 600～900 nm 間有一個很強的吸收譜帶。對于不同類型鐵化合物，因其分子結構和晶體結構的差異，其特征譜形差別較大。褐鐵礦各組成礦物及氧化的赤鐵礦、黃鐵鉀礬在800、2 195、1 900和1 400 nm附近的吸收峰。由于ALOS衛星的光譜波段在420～890 nm之間，三水鋁石的“二元”吸收峰(1 435 nm)和(1 558 nm)在ALOS影像上無法反映出來，而Fe3+在600～900 nm間的強吸收譜帶正好放映ALOS的第4波段位置。又由于褐鐵礦所形成的鐵帽是該地區尋找鋁土礦的重要標志，因此，蝕變信息提取也是以Fe3+鐵化提取為主。鐵化提取時可選擇ALOS4/1或ALOS3/1波段組合進行比值運算。

2.3.2 影像特征分析

高灶其和樊克鋒[13]研究表明該區鋁土礦體多賦存于山體頂部和坡度適中的斜坡上，溝谷部位礦體質量差或無礦體。礦體底板為鋁土礦的成礦母巖?基性侵入巖或泥盆系砂巖。礦體發育地段礦石質量好，厚度大，地表植被繁茂；在地形平緩地帶，堅硬的硅鋁鐵質風化殼發育，植被稀少，通視條件好，其下一般鋁土礦質量差[13]，如圖4(b)所示。根據地形地貌、地表植被及鐵鋁質風化殼發育程度，可為找礦提供標志。在 ALOS341假彩色合成的遙感影像上鐵帽呈粉紅色，植被為綠色，河流為藍色(參見電子版)，如圖4(a)所示。結合數字高程模型DEM數據，建立海拔分級分帶圖，根據鋁土礦的地形分布特點和遙感解譯標志，則能較好對鋁土礦的空間分布情況進行定位和制圖。人工解譯的精度雖然較高，但是工作量大，不適宜大范圍制圖，較適合利用信息提取技術進行計算機自動制圖。

圖3 鋁土礦礦石標本照片(a)與光譜特征(b)Fig. 3 Photo of ore sample (a) and spectra curves of bauxite (b)

2.4 鋁土礦信息提取

在遙感圖像處理軟件ENVI4.5中對ALOS影像的1、2、3和4波段分別進行ICA和PCA分析，對ALOS 4/1波段組合進行比值運算。結果表明：ICA和PCA的4個分量中，第一分量IC1和PC1能夠較好地反映鐵帽信息，IC1和PC1的灰度圖像分別如圖5(b)和圖5(c)所示，ALOS 4/1的比值灰度圖像如圖5(d)所示。可以看出，IC1提取的鐵帽影像最為清晰，與周邊地物的區分度最高，PC1次之，比值最差。

圖4 鋁土礦的影像(a)與地貌特征(b)Fig. 4 Image (a) and topography (b) of bauxite

圖 5 3種鋁土礦信息提取方法效果比較: (a) ALOS影像; (b) IC1影像; (c) PCA影像; (d) 比值影像; (e) 提取結果Fig. 5 Comparison of gray images derived from three information extraction methods: (a) ALOS image; (b) IC1 image;(c) PCA image; (d) Ratio image;(e) Extraction result

得到蝕變信息灰度圖像后，還需要進行圖像分割以將蝕變信息提取出來。異常分割通常利用(X+kσ)來確定異常下限和劃分異常強度等級。X是某一成分的統計均值代表區域背景, σ是該成分的標準差，k是系數一般取值在[1, 3]之間。常規情況下由于已知樣本數量太少，不足以建立合理的分割閾值準則時，變量的均值和標準差統計在整個灰度圖像內進行。本次試驗在野外GPS觀測數據的支持下，通過與遙感影像進行比較分析，建立了合理的鋁土礦解譯標志，可以通過解譯標志來產生閾值統計樣本。在ALOS影像上根據解譯標志共采集60個統計樣本點，以分別統計ICA、PCA和比值灰度影像中蝕變圖斑的最小值、最大值、均值X和標準差σ，統計結果如表2所列，多次試驗表明k=1最佳。得到ICA、PCA和比值蝕變信息提取閾值分別為 1.05、?19.4和 0.52，鋁土礦的蝕變信息提取結果如圖5(e)所示。

2.5 結果評價分析

將提取的鋁土礦蝕變結果圖與野外 GPS采集的鋁土礦范圍實測數據進行比較，對在一定圖斑內提取的蝕變面積與GPS測量面積進行統計分析。定義吻合率來表示信息提取的精度，如式(3)所示，吻合率越大表明提取的有效信息量越大，精度越高。

式中：E為吻合率；S1為觀測面積；S2為提取面積。

統計了GPS實地測量的8個圖斑，結果如表3所列。ICA、PCA和比值提取的蝕變吻合率從高到低依次為84.5%、80.9%和79.4%，說明ICA法在該地區的鋁土礦蝕變信息提取中具有最好的效果，PCA次之，比值法最差，這與3個變量的灰度影像特征比較也是一致的。野外觀測結果還表明ICA的第一分量IC1的值越低的區域，鋁土礦的蝕變程度越高，信息提取的吻合率也越高。

3 遙感成礦預測

研究區位于赤道附近，廣泛分布的基性富鋁巖石，在濕熱多雨和干旱交替的熱帶氣候條件下形成了紅土型鋁土礦。由于強烈的風化作用，區內地形平緩起伏，多為低山丘陵地帶，一方面有利于地表水和地下水下滲，另一方面又使風化產物積聚起來[13]。研究資料表明[20]：鋁土礦的分布情況與海拔標高有一定的正相關性，這是由于在海拔較高的情況下，潛水面以上的氧化帶也相對較高，對水的垂直循環和淋濾作用有利，因此化學風化作用強烈，更有可能形成品位更高，礦層更厚的鋁土礦。對 GPS野外觀測樣區的統計分析表明，內鋁土礦主要分布于在海拔250 m以上且切割相對較大的山頂和斜坡上, 而低海拔的平緩地帶鋁土礦基本不發育。

表2 3種鋁土礦信息提取的灰度圖像統計信息Table 2 Statistics of gray images derived from three information extraction methods

表3 3種鋁土礦信息提取方法野外驗證結果比較Table 3 Comparison of field verification for three information extraction methods

圖6 鋁土礦蝕變遙感提取結果空間分布圖Fig. 6 Spatial distribution of bauxite alteration derived form remote sensing extraction: (a) Whole image; (b) Enlarged image of thosen zone in Fig. 6(a)

以褐鐵礦硬殼層形成的鐵帽為主要遙感找礦特征進行鋁土礦的信息提取，再結合地形地貌要素對遙感提取結果進行信息復合與分析，從而得到研究區鋁土礦的地表空間分布圖，如圖6所示。結果表明，與鋁土礦有成生關系的褐鐵礦硬殼層遭受水系切蝕及地形影響而不連續，總體呈現北北東向展布的 Soussouba帶和Bergue區帶以及北東向的展布Botowel帶。褐鐵礦硬殼層多呈支離破碎狀，單體數量多且規模普遍不大，面積最大者約為15 km2, 面積最小者不到1 km2。整個研究區的面積約為1 235.7 km2，利用獨立分量分析 ICA方法提取得到的鋁土礦地表面積約為 210.1 km2，植被覆蓋區域的面積約為461.8 km2。植被的覆蓋使得部分鋁土礦的信息遙感技術難以探測得到，從而使得鋁土礦的地表分布面積大于 210.1 km2。鋁土礦的層厚從幾米到幾十米不等，目前還缺乏詳細的數據資料，因而鋁土礦的礦石資源量還難以估算。

根據ICA的第一分量IC1值的高低和地貌特征，還可以進一步將鋁土礦蝕變信息提取區域劃分為找礦最佳、找礦可行與找礦可能3 類。在進一步的找礦勘查工作中宜參照以下規律：1) IC1的值越低，鋁土礦的蝕變程度越高，因此，優選靶區宜在IC1的低值區選取；2)首選單體面積較大、連續的遙感褐鐵礦硬殼層單元，該類遙感單元垂向剖面比較完整, 礦化連續性好；3)優先選擇剝蝕程度弱、排水通暢、海拔高程250 m以上的低緩丘嶺處，而相對高差較小的平坦山丘及沖溝、河流兩側相對高差較大者不利于成礦。

由于研究區位于海外，找礦勘查的成本比國內的高，利用遙感技術進行面上前期篩查，可有效降低成本，提高效率。除地形和風化作用等因素外，成礦條件和沉積環境等因素對鋁土礦的形成起著至關重要的作用。然而，由于勘查工作還處于初期階段，后續工作仍在進行，加之本次實驗獲得的野外數據比較有限，所得到的認識僅僅圍繞遙感信息提取展開。更加完整深入的認識有待于在進一步的工作中得到加強。

4 結論

1) 本區的鋁土礦為紅土型三水鋁石礦，大部分被鐵礬土所覆蓋，且Al3+和OH?的遙感信息較弱，較難單獨分離。褐鐵礦所形成的鐵帽是該地區尋找鋁土礦的重要標志，因此，該區的鋁土礦蝕變信息提取是提取Fe3+為主，并作為指示信息。

2) 引入ICA法用于鋁土礦的蝕變信息遙感提取，使得各個變量之間相互獨立且數據表達簡潔有效，有利于后續的蝕變信息閾值分割處理和提高鋁土礦蝕變信息提取的精度。實驗結果表明：ICA法在該地區的鋁土礦蝕變信息提取中具有最好的效果，PCA法次之，比值法最差，吻合率分別為 84.5%、80.9%和79.4%。

3) ICA的第一分量IC1值越低的區域，鋁土礦的蝕變程度越高，信息提取的吻合率也越高，優選靶區宜在IC1的低值區選取。

4) 由于部分鋁土礦被植被所覆蓋而使得遙感技術難以探測得到，從而使得實際的鋁土礦的地表分布面積大于遙感提取的面積。實驗結果表明：區內鋁土礦主要分布于海拔250 m以上且切割相對較大的山頂和斜坡上，而低海拔的平緩地帶鋁土礦基本不發育。基于上述兩個特點，鋁土礦蝕變信息的遙感提取必須要與地形地貌特征進行信息復合與分析，以提高信息提取的準確度。

[1] 李領軍, 張云峰, 張 蓉, 馮 淳, 焦超衛, 張文龍. 幾內亞金迪亞地區紅土型鋁土礦遙感礦化信息與找礦預測[J]. 遙感信息, 2010(5): 93?98.

LI Ling-jun, ZHANG Yun-feng, ZHANG Rong, FENG Chun,JIAO Chao-Wei, ZHANG Wen-long. Mineralized information and metallogenetic prospect of remote sensing for the lateritic bauxite in Kindia of Guinea [J]. Remote Sensing Information,2010(5): 93?98.

[2] 王潤生, 丁 謙, 張幼瑩, 楊蘇明. 遙感色調異常分析的協同優化策略[J]. 地球科學：中國地質大學學報, 1999, 24(5):498?502.

WANG Run-sheng, DING Qian, ZHANG You-ying, YANG Su-ming. Optimized cooperating strategy for analysis of remote-sensing color tone anomaly [J]. Earth Science: Journal of China University of Geosciences, 1999, 24(5): 498?502.

[3] 王潤生. 遙感地質技術發展的戰略思考[J]. 國土資源遙感,2008, 75(1): 1?12.WANG Run-sheng. On the development strategy of remote sensing technology in geology [J]. Remote Sensing for Land and Resources, 2008, 75(1): 1?12.

[4] 陳松嶺. 廣西三水型鋁土礦的遙感研究和找礦[J]. 大地構造與成礦學, 1990, 42(14): 83?87.

CHEN Song-ling. Remote sensing for study and prospecting of bauxite (gibbsite) in Guangxi [J]. Geotectonica et Metallogenia,1990, 42(14): 83?87.

[5] 高光明, 周利霞, 黃寶華. 波羅芬高原紅土型鋁土礦遙感影像特征及信息提取[J]. 信息技術與信息化, 2007, 73(3): 73?75.

GAO Guang-ming, ZHOU Li-xia, HUANG Bao-hua. Remote sensing image characteristic and information extraction of red soil bauxite in Bclovens [J]. Information Technology and Informatization, 2007, 73(3): 73?75.

[6] 成 功, 陳松嶺, 祝瑞勤, 楊 震. 平果堆積型鋁土礦地質特征及遙感找礦預測[J]. 輕金屬, 2009(8): 11?19.

CHENG Gong, CHEN Song-ling, ZHU Rui-qin, YANG Zhen.Geological characteristics and remote sensing forecasting of accumulated bauxite of Pingguo [J]. Light Metals, 2009(8):11?19.

[7] 楊竹青, 李 勇, 胡德文. 獨立成分分析方法綜述[J]. 自動化學報, 2002, 28(5): 762?773.

YANG Zhu-qing, LI Yong, HU De-wen. Independent component analysis: A survey [J]. Acta Automatica Sinica, 2002, 28(5):762?773.

[8] 李明明, 周可法, 孫 莉, 秦艷芳, 孫雷剛, 王桂鋼. 基于ICA的遙感蝕變信息提取方法的研究[J]. 干旱區地理, 2011,34(2): 308?316.

LI Ming-ming, ZHOU Ke-fa, SUN Li, QIN Yan-fang, SUN Lei-gang, WANG Gui-gang. Extraction of alteration information from remote sensing data based on ICA [J]. Arid Land Geography, 2011, 34(2): 308?316.

[9] COMON P. Independent component analysis: A new concept [J].Signal Processing, 1994, 36(3): 287?314.

[10] LEE T W. Independent component analysis using an extended informal algorithm for mixed Subgaussian and Supergaussian sources [J]. Neural Computation, 1997, 11(2): 409?433.

[11] PENG Guang-xiong, YE Zhen-chao, GAO Guang-ming, FENG De-shan, XIONG Yun. Pegmatite remote sensing extraction and metallogenic prediction in Azubai area, Xinjiang [J]. Transaction of Nonferrous Metals Society of China, 2011, 21(S3): s591?s596.

[12] 張成學, 張澤夏, 王國庫. 幾內亞共和國博凱 558 鋁土礦區賦礦巖石特征[J]. 化工礦產地質, 2009, 31(1): 25?31.

ZHANG Xue-cheng, ZHANG Ze-xia, WANG Guo-ku. Features of ore-boring rocks of 558 bauxite in boke guinea [J]. Geology of Chemical Minerals, 2009, 31(1): 25?31.

[13] 高灶其, 樊克鋒. 幾內亞紅土型鋁土礦床地質特征[J]. 資源調查與環境, 2009, 30(2): 115?119.

GAO Zao-qi, FAN Ke-feng. Geological characteristics of red clay type bauxite deposits in Guinea [J]. Resources Survey &Environment, 2009, 31(1): 25?31.

[14] PENG Guang-xiong, SHEN Wei, HAN Zhen, SU Wei.Evaluation of tobacco planting suitability based on remote sensing—A case study of Mile County, China [J]. Sensor Letters,2011, 9(3): 1108?1114.

[15] 徐紅偉, 張先忠. 幾內亞共和國博凱地區紅土型鋁土礦地質特征和成礦機理初探[J]. 長春工程學院學報: 自然科學版,2009, 10(1): 87?91.

XU Hong-wei, ZHANG Xian-zhong. Geological character and ore mechanism of lateritic bauxite depositsin Boke, Guinea [J].Journal of Changchun Institute of Technology: Natural Science Edition, 2009, 10(1): 87?91.

[16] JUTTEN C, HERAULT J. Independent component analysis versus PCA [C]// Proceedings of European Signal Processing Conf. Bruges, Belgium: Springer, 1988: 287?314.

[17] CHEN F, GUAN Z, YANG X, CUI W. A novel remote sensing image fusion method based on independent component analysis[J]. International Journal of Remote Sensing, 2011, 32:2745?2763.

[18] JUTTEN C, HERAULT J. Blind separation of sources (Part I):An adaptive algorithm based on neuromimetic architecture [J].Signal Processing, 1991, 24(1): 1?10.

[19] BELL A J, SEJNOWSKI T J. An information-maximization approach to blind separation and blind deconvolution [J] . Neural Computation, 1995, 7(6): 1129?1159.

[20] 袁楊森, 高灶其, 張成學, 徐紅偉. 幾內亞博凱地區紅土型鋁土礦成礦機理和控礦因素研究[J]. 河南理工大學學報: 自然科學版, 2010, 29(3): 344?351.

YUAN Yang-sen, GAO Zao-qi, ZHANG Cheng-xue, XU Hong-wei. Study on the ore forming mechanism and the ore controlling factors of lateritic bauxite deposits in Boke of Guinea[J]. Journal of Henan Polytechnic University: Natural Science,2010, 29(3): 344?351.