免费教育资源网 - 欢迎您
在线留言 旗下网站
资源导航
×
忘记密码？
快来注册账号吧>>

当前位置：免费教育资源网 → 论文 → 教学论文 → 地理论文

基于模糊聚类神经网络的煤炭资源分类研究

摘要：采用模糊聚类神经网络方法建立了煤炭资源分类模型，通过自适应算法与误差逆传播算法相结合，解决了以往神经网络不能处理模糊问题的缺陷，从而更适应现实评价条件的需要。

关键词：资源评价；煤炭资源；模糊；神经网络

中图分类号：TP18；P618.11

文献标识码：A

文章编号：1000－3037(2001)03－0275－08

　

1　引言

　　煤炭资源分类是煤炭资源评价的基本前提与主要内容，也是对煤炭企业进行资产化管理、开采权流转、合理计取资源税及资源补偿费的重要基础。通过对煤炭资源进行正确的分类与评价，可以估算经营者开采煤炭资源所获得的超额利润（即绝对地租）与由于开采不同等级资源所获得的级差收益（即级差地租）。从而确定开采者所应缴纳的资源租金，促使政企分开、经营权与所有权的分离。因此，煤炭资源的可靠性直接影响煤炭资源资产评估的准确性及资源评价的正确性，故煤炭资源分类研究具有重要的意义。

　　目前煤炭资源分类的方法有多种，如模糊综合分类法、灰色聚类综合分类法及近 10 年间发展起来的人工神经网络理论 (Artificial Neural Network，简称 ANN)。然而对于模糊综合分类法和灰色聚类法来讲，其分类具有主观性，分类结果不稳定；ANN 虽然有很强的分类功能，结果准确，但它只是一种二值性的网络，即输出结果要么属于某类，要么不属于某类。而实际在煤炭资源评价中有些指标是模糊的。本文就是在此基础上提出了采用模糊系统与神经网络相结合的方法，充分发挥各自的优势，从而建立了一种能够进行模糊推理和学习的煤炭资源分类方法。

2 煤炭资源评价指标体系及指标值的计算

2.1 煤炭资源评价指标体系的建立

　　煤炭资源分类是一个多因素、多层次的综合评价问题。通过对影响其价值的因素进行具体分析，可将众多因素分为地质条件、开采条件和外部条件三类。通过与有关专家分析讨论，从中筛选主要影响因素，其评价指标体系如图 1 所示。

nr20010313-1.gif

图 1 煤炭资源分类指标递阶结构图
Fig.1 Classification structure of coal resources

　　在图 1 中，A 类为开发条件，B 类为参数类，C 类为指标项，该体系中条件、参数及指标的内涵和特征取值、赋值标准如下：

　　(1) 地质条件主要指煤炭资源自身的固有特征，是决定可开发利用性的基本因素，它主要由储量、煤质、煤层、地质构造四类参数 12 个指标构成。

　　储量参数包括储量资源量规模和资源丰度，均以评价区已批准的储量资源量取值。前者是决定煤矿开采规模的首要因素，后者则影响矿井（井田）的划分和开发布局。煤质参数包含煤类、灰分、硫分及发热量等指标，决定了煤炭的经济价值、开发效益及可利用方向。煤类按 GB5751－86 确定后综合赋值，其他三项指标均按评价区综合取值。煤层参数包含主采煤层厚度、煤层稳定性、结构等三个指标，它决定着煤矿开采的规模、开采方法和机械化水平。煤层厚度按评价区煤层的平均厚度取值。稳定性对照《煤炭资源地质勘探规范》(1986)（以下简称《规范》）定性描述的四型 6 种情况定级赋值。煤层结构按地质报告的评语赋值。地质构造参数包含复杂程度、煤层倾角、岩浆岩侵入程度，它影响着采区划分、工作面布置、采煤方法，也影响矿井生产能力的确定。其中煤层倾角按评价区一般情况综合取值。构造复杂程度对照《规范》中描述的四类 12 种构造类别归类分级赋值。岩浆岩侵入情况以其对煤层、煤质的影响程度定性赋值。

　　(2) 开采条件：系指直接制约建井、开采难易程度的各种影响因素。其中以埋藏特征、水文工程地质特征及井害三类为重要，共由 6 项指标构成。

　　埋藏特征参数包含冲积层厚度及煤层埋深。它制约着建井条件、开拓方式、采煤方法和辅助生产环节。这两个参数均以评价区预计可能的工业广场所在区域主采煤层—水平的相间关系定量取值。

　　水文工程地质包含矿井水与主采层顶底板特征，它对煤矿开采及经济技术效益有重要影响。矿井水按《规范》的煤矿床水文地质勘探类型的组合情况定性赋值。工程地质特征则以含煤地层和主采煤层顶底板岩性特征及稳定性综合定性赋值。井害参数包含瓦斯和地温热害，是威胁矿井生产安全的主要潜在因素。矿井瓦斯等级在地质勘探阶段尚无条件确定，以煤层瓦斯含量或以邻近矿井瓦斯含量等级来确定。地温热害按含煤岩系的原始岩温，以地温异常热害区范围定性赋值。

　　(3) 外部条件主要指影响煤炭资源开发建设的社会环境和自然环境。煤炭资源开发建设的投入和产出必须考虑其所处的外部条件，包括经济地理与自然地理两类参数 6 项指标。

　　经济地理环境是比较活跃的因素，它随着社会经济的发展而变化，对煤炭资源经济价值影响甚大，需要从宏观（时间的、地域的）角度长远考虑，它以评价区距经济中心城市的距离来定性赋值。市场质量与规模着眼于资源所处地域在煤炭可持续发展中的重要程度，具体参照《中国煤炭资源预测与评价》。运输条件既立足于当前评价区外围的运输干线布局、运力，也着眼于在中、近期规划新建运输干线的可能。经济地理的 3 个参数均定性赋值。

　　自然地理是客观存在的因素，宏观地制约着煤炭资源开发的可能性。供水水源在我国中西部尤为重要。气候与地形地貌按气候区划和地形形态划分，定性赋值。

　　根据图 1，将指标 C1～C24（其具体指标见表 1）作为模糊聚类神经网络的输入向量，即网络输入层存在 24 个输入神经元。

表 1 各因素的评价标准与评价值
Table 1 Evaluation standard and value of all factors

评价因素指标 特征值
评价值 (0.2) (0.4) (0.6) (0.8) (1.0)
0～0.3 0.3～0.5 0.5～0.7 0.7～0.9 0.9～1.0 　
井田储量（亿 t） C1 ＜0.05 0.05～0.5 0.5～1.5 1.5～3.0 ＞3.0
储量丰度 C2 ＜300 300～800 800～1200 1200～2000 ＞2000
煤类 C3 BN PM PS WYI/2ZN SM QM JM FM
　 　 　 CY BN RN QF 1/3JM
灰分 (%) C4 40 25～40 15～25 10～15 ≤10
硫分 (%) C5 4.0 2.5～4.0 1.5～2.5 1.0～1.5 ≤1.0
发热量 (MJ/kg) C6 18.0 18.0～22.5 22.5～27.0 27.0～31.0 ＞31.0
主采层单层厚 (m) C7 ＜0.5 或 0.5～1.3 1.3～1.8 3.5～6.0 1.8～3.5
＞8.0 6.0～8.0
主采层稳定性 C8 极不稳定 不稳定（之二、三） 不稳定（之一） 较稳定 稳定
主采层结构 C9 复杂煤层 复杂 中等 较简单 简单
复杂程度 C10 IV 1、2、3 III 3 II 2、3 II 1 I 1、2、3
煤层倾角 C11 60° 45°～60° 25°～60° 12°～45° ＜12°
岩浆活动 C12 严重 较严重 中等 轻微 无
冲积层厚度 (m) C13 ＞500 350～500 200～350 50～200 ＜50
煤层埋深 (m) C14 ＞1200 800～1200 400～800 100～400 ＜100
矿床水文类型 C15 III 2 III 1 II 2 II 1 I 1、2
工程地质 C16 复杂 较复杂 中等 较简单 简单
瓦斯 (m3/d) C17 ＞15 并突出 ＞15 10～15 5～10 ＜5
地温热害 C18 二级热害＞50% 二级热害＜50% 一级热害＞50% 一级热害＜50% 无热害
地区经济 C19 差 较差 一般 较好 好
市场规模与质量 C20 差 较差 一般 良 优
运输条件 C21 困难 较困难 一般 较好 好
供水水源 C22 差 较差 一般 较好 好
气候 C23 差 较差 一般 较好 好
地形地貌 C24 I、II 1 II 2、VI、VII III、IV V VII

注：①地区经济中，各省市区所属经济级别见表 3；②地形地貌中，分级级别见表 4；③市场规模与质量中，分级级别见表 5。

2.2 煤炭资源分类指标评价值的确定

　　由图 1 所给出的煤炭资源主要影响因素评价指标的量纲、数值大小及取值范围各不相同。而神经网络模型要求输入层的输入向量应为取值范围相同的数据，因此，我们将各因素的专业评价指标进行归一化处理，将其转化为 0～1 区间内的无量纲值。在处理过程中，对煤炭开发越有利的指标值其无量纲值越大；否则越小。煤炭资源各因素的评价标准与评价值如表 1 所示。

2.3 煤炭资源的备择集

　　备择集就是因素的各种可能评价结果组成的集合。不论因素为多少，任一样本只能从备择集中对应一个分类结果。煤炭资源的评价结果一般采用优、良、中、较差、差或 I 级、II 级、III 级、IV 级和 V 级来表示。其每项结果的具体特征见表 2 所示。

表 2 煤炭资源评价结果分类及特征
Table 2 Classification and features of the coal resources evaluation results

分类结果 I 级 II 级 III 级 IV 级 V 级
特征 地质条件十分简单，煤
层稳定，构造简单，赋存
平缓，可以建设以现代
化综采工艺为特色的高
产高效大型矿井。		 地质条件较好，煤层较
稳定，构造较简单，无特
殊困难的地质条件，可
以建设以综采为主，以
普采为辅的大型矿井。		 地质条件一般，有特
殊困难的地质条件，
应建设以普采为主，
有条件时部分采用综
采的大中型矿井。		 地质条件较差，
宜建设以炮采
为主，局部地段
可采用普采的
中小型矿井。		 地质条件十分复
杂，只能采用炮
采工艺，对于建
设的可行性应进
行认真分析。

表 3 所属地区经济级别
Table 3 The economic level of affiliating area

类型等级 I II III IV V
所辖省、市、
自治区		 辽、吉、黑、京、津、冀、鲁、
苏、浙、沪、粤、鄂、川 13 省（市）		 豫（不含豫西）、皖、湘、
赣、闽 5 省		 晋、陕 2 省 甘、宁、新、蒙、滇、
黔、桂、琼 8 省（区）		 青、藏 2 省（区）

表 4 主要地形地貌类型
Table 4 The main geomorphological types

类型 I II III IV V VI VII VIII
名称 高山区 中山区 低山区 丘陵区 地势平坦或略有起伏的高原区 川源相间区，沟壑纵横的高原区 冲积平原区 沙漠区

表 5 市场规模与质量分级标准
Table 5 Classification standard of the scale and quality of the markets

类型等级 好 较好 一般 较差 差
所辖地域 京、津、冀、华东 华中、中南 东北、晋、陕、蒙 西南地区 西北地区

3 基于模糊聚类神经网络的分类方法

3.1 模糊聚类神经网络基本原理

　　Carpenter 等人将神经网络发展成为模糊网络 (FART)。但这种网络的分类效果并不明显，而将 FART 网的竞争学习规则与结构自适应能力同 BP 网的误差修正规则和具有隐含层、记忆能力强的优点相结合，则上述问题即可迎刃而解。新网简称为 FAB 网，由两个子网组成：FART 与 FBP。样本经 FART 子网后得到的输出作为 FBP 子网的期望输出。在 FART 子网中，输入一个样本 x，输出节点进行竞争，输出值最大者获胜。并求出该样本 x 的隶属度

式中，Vk 为输出节点的权向量。

3.2 FAB网进行煤炭资源分类

　　我们以资源条件与开发价值比较合理的 15 个矿井为典型代表，作为样本进行网络学习。样本的各项具体指标值见表 6。

表 6 学习样本评价指标特征值
Table 6 Characteristic values of the evaluating Indicators of new models

样本 评价指标
井田
储量
（亿 t）		 储量
丰度		 煤类 灰分
(%)		 硫分
(%)		 发热
量 (Mj
/kg)		 主采
单层
厚 (m)		 主采
层稳
定性		 主采
层结
构		 复杂
程度		 煤层
倾角		 岩浆
活动		 冲积
层厚
度 (m)		 煤层
埋深
(m)		 矿床
水文
类型		 工程
地质		 瓦斯
(m3/d)		 地温
热害		 地区
经济		 市场
规模
与质
量		 运输
条件		 供水
水源		 气候 地形
地貌		 综合
评价
值
权重 0.05103 0.03008 0.0092 0.05124 0.05457 0.03701 0.06137 0.0533 0.059 0.06811 0.0475 0.0485 0.05599 0.05414 0.0318 0.03203 0.07021 0.05125 0.0406 0.02462 0.02326 0.01732 0.01554 0.01267 　
1 特征值 0.365 538.9 QM
FM		 15.69%～16% 0.64～0.92 33.84 2.25 稳定 简单 IV 1 9° 无 213.2 247.8 II 1 较简单 4.53 无热害 较好 较好 较好 较好 较好 V II
评价值 0.4 0.38 0.9 0.52 1.0 1.0 1.0 1.0 1.0 0.2 1.0 1.0 0.6 0.8 0.8 0.8 1.0 1.0 0.8 0.8 0.8 0.8 0.8 0.8
2 特征值 0.2395 2395 FM 10.2%～14% 1.2～1.4 23.84 0.93 稳定 简单 III 3 15° 无 13 258.8 II 1 简单 5.3 无热害 较好 好 较好 较好 较好 V II
评价值 0.4 1.0 1.0 0.8 0.8 0.6 0.5 1.0 1.0 0.4 0.9 1.0 1.0 0.8 0.8 1.0 0.8 1.0 0.8 1.0 0.8 0.8 0.8 0.8
3 特征值 2.6184 15274 QM
FM		 5.69%～10% 1.2～1.46 27.6 2.2 稳定 复杂 III 1 0～26° 中等 200～250 500～900 II 2 中等 3.85 无热害 较好 较好 较好 较好 较好 VII I
评价值 0.86 1 0.9 1 0.8 0.7 1.0 1.0 0.4 0.2 0.8 0.6 0.68 0.5 0.6 0.8 1.0 1.0 0.8 0.8 0.8 0.8 0.8 1.0
4 特征值 7.898 38670 QM 7.69%～8.67% 0.56%～0.84% 32.57 8.65 稳定 较简单 I 3 4～8° 无 190 200～600 II 1 简单 5.32 无热害 较好 好 较好 较好 较好 VII I
评价值 1.0 1.0 0.8 1.0 1.0 1.0 0.2 1.0 0.8 1.0 1.0 1.0 0.71 0.7 0.8 1.0 0.9 1.0 0.8 1.0 0.8 0.8 0.8 1.0
5 特征值 0.2256 1357.2 QM 25.3%～30.2% 1.62%～1.98% 26.49 4.0 稳定 较简单 III 2 40～60° 无 15 200～600 III 1 中等 12.53 一级热害 较好 较好 较好 较好 较好 III IV
评价值 0.4 0.78 0.8 0.4 0.68 0.67 0.8 1.0 0.8 0.2 0.4 1.0 1.0 0.7 0.4 0.6 0.6 0.8 0.8 0.8 0.8 0.8 0.8 0.6
6 特征值 0.9069 5387 QM
FM		 28% 2.4%～3.2% 21.56 1.18 稳定 复杂 III 2 8～17° 无 62.4 200～500 III 1 中等 7.62 无热害 较好 一般 较好 较好 较好 V III
评价值 0.6 1 0.9 0.4 0.4 0.4 0.6 1.0 0.4 0.2 0.9 1.0 0.8 0.7 0.4 0.6 0.8 1.0 0.8 0.6 0.8 0.8 0.8 0.8
7 特征值 4.6178 24466 QM 5.69%～8.31% 0.71%～0.95% 32.56 5.35 稳定 较简单 II 1 5° 无 100 250～550 II 1 较简单 4.65 无热害 较好 较好 较好 较好 好 VII I
评价值 1.0 1.0 0.9 1.0 1.0 1.0 0.8 1.0 0.8 0.8 1.0 1.0 0.8 0.7 0.8 0.8 1.0 1.0 0.8 0.8 0.8 0.8 1.0 0.8
8 特征值 1.54 10800 QM
FM		 5.69%～9.65% 0.56%～0.92% 30.28 2.4 稳定 较简单 II 1 20° 无 170 200～510 II 1 较简单 5.3 无热害 较好 较好 较好 较好 较好 VII II
评价值 0.72 1.0 0.9 0.52 1.0 0.9 1.0 1.0 0.8 0.8 0.8 1.0 0.8 0.7 0.8 0.8 0.88 1.0 0.8 0.8 0.8 0.8 0.8 0.8
9 特征值 0.5117 3581.8 QM 15%～16.7% 1.6%～2.3% 5.68 5 不稳定 复杂 IV 2,3 18～45° 较严重 0～10 409～450 II 2 中等 20.3 无热害 一般 较好 一般 较差 较差 V V
评价值 0.4 0.38 0.9 0.52 0.6 0.6 0.8 0.6 0.4 0.2 1.0 0.4 1.0 0.7 0.6 0.6 0.4 1.0 0.6 0.8 0.6 0.4 0.4 0.8
10 特征值 2.2024 13914 WY 3.5%～8.4% 0.64～0.89 35.64 5.73 稳定 较简单 I 2 3～5° 无 10～20 180～250.8 II 1 较简单 2.53 无热害 较好 较好 一般 较好 一般 IV I
评价值 1.0 1.0 0.6 1.0 1.0 1.0 0.6 1.0 0.8 1.0 1.0 1.0 1.0 0.8 0.8 0.8 1.0 1.0 0.8 0.8 0.6 0.8 0.6 0.6
11 特征值 0.6237 1264.5 FM 12.69%～14.4% 1.68%～1.92% 25.84 1.85 稳定 简单 II 1 6～8° 无 123.2 274.8 II 2 较简单 9.87 无热害 一般 较差 一般 较差 较差 IV III
评价值 0.6 0.75 1.0 0.85 0.6 0.6 0.92 1.0 1.0 0.8 1.0 1.0 0.8 0.8 0.8 0.8 0.71 1.0 0.6 0.4 0.6 0.4 0.4 0.6
12 特征值 0.215 154 QM
FM		 16.9%～17.8% 2.54～3.15 23.48 1.52 不稳定 复杂 III 3 25～39° 中等 214 230～427 II 2 中等 15.38 无热害 一般 一般 一般 一般 较好 V V
评价值 0.4 0.2 0.9 0.6 0.4 0.6 0.6 0.4 0.4 0.4 0.6 0.6 0.6 0.7 0.6 0.6 0.5 1.0 0.6 0.6 0.6 0.6 0.8 0.8
13 特征值 0.587 438.9 QM
FM		 11.49%～15.6% 1.04～1.28 27.64 1.65 较稳定 中等 III 3 15～29° 无 187.1 297.5 II 2 中等 13.68 无热害 较好 较好 较好 较好 较好 V IV
评价值 0.6 0.4 0.9 0.8 0.8 0.75 0.60 0.8 0.6 0.4 0.8 1.0 0.8 0.8 0.6 0.6 0.6 1.0 0.8 0.8 0.8 0.8 0.8 0.8
14 特征值 3.521 1.891 QM
FM		 6.37%～11% 0.84%～1.04% 31.67 4.25 稳定 简单 I 3 5～10° 无 182 447.8 I 1 较简单 3.25 无热害 较好 较好 较好 较好 较好 VII I
评价值 1.0 1.0 0.9 1.0 0.97 1.0 0.8 1.0 1.0 1.0 1.0 1.0 0.8 0.6 1.0 0.8 1.0 1.0 0.8 0.8 0.8 0.8 0.8 1.0
15 特征值 0.935 658.3 QM
FM		 10.69%～14.3% 1.58～2.14 28.63 1.68 稳定 较简单 II 2 19～44° 无 217 283～547.8 II 1 较简单 9.14 无热害 较好 较好 一般 较好 较好 III III
评价值 0.6 0.4 0.9 0.8 0.6 0.8 0.6 1.0 0.8 0.6 0.6 0.6 0.6 0.7 0.8 0.8 0.8 1.0 0.8 0.8 0.6 0.8 0.8 0.6

　　FAB 网的学习算法由两部分组成：FART 与 FBP 算法，分述如下：

　　(1)FART 子网学习算法

　　第一步　初始化网络连接权，设定参数σ，ρ和γ，令γ=5，σ=0.5，ρ=1.1，并设现行类别数 n=1。在对连接权 VkT(k=1,2,…,23) 初始化时，按下式进行设置

　　第二步　输入上述学习样本 Xk(k=1,2，…，23)，计算各输出节点的输出：

QAk=VkT·Xk,k=1,2,…,23 (3)

　　第三步　求获胜输出节点 w：QAw=max{OAk}；按式 (1) 计算该样本 Xk 对各类的隶属度值μk,k=1,2,…,n, 并将μk 送到 FBP 子网，作为该样本 x 在 FBP 子网中的期望输出；

　　第四步　如果μw<σ=0.5，则将该样本在 FBP 子网中的最大输出的输出节点号强行作为 FART 子网中的获胜节点号 w；

　　第五步　警戒测试：①如果获胜节点通过警戒测试，则修正权向量；②如果获胜节点没有通过警戒测试，则屏蔽该获胜节点，返回到第三步，寻找新的获胜节点；③如果在所有的输出节点中找不到能通过警戒测试的获胜节点，则累计这种要求，开辟新类的样本数，转第六步；

　　第六步　是否所有样本均学习一遍结束？如果未结束，转第二步，输入下一个样本。如果结束，检查是否开辟新类，若要求开辟新类的样本数s>γ=5，则 n=n＋1，即增加一个输出节点，同时 FBP 子网的输出节点和隐节点也相应增加一个，并初始化新节点的权向量，从而完成创建一个新类的工作；否则，不开辟新类，转入下一轮学习。

　　(2)FBP 子网学习算法

　　由于 FBP 子网的学习算法与普通 BP 算法基本相同，只是用 FART 网的输出作为 FBP 网的期望输出，限于篇幅，具体算法见参考文献 1。通过上述步骤，将 15 个样本均学习一遍，从而完成网络的学习过程。

4 实例分析

　　通过利用上述已训练的 FAB 网络，对鲁西煤田的资源条件进行分类。鲁西煤田的各项评价指标特征值如表 7 所示。将指标评价值输入网络后经计算，得出评价结果为良好，即 II 级。这一评价结果与实际情况是相符的，目前该井田已经完成了年设计能力（60万t, 因为是特殊企业，井型一般较小），以综采为主的中型矿井，其可行性报告也认为该矿井的建设可为企业带来良好的经济效益。

表 7 鲁西煤田资源评价指标特征值与评价值
Table 7 Characteristic values of the evaluating Indicators and values for the coal field in West Shandong

评价指标井田储量（亿 t） 储量丰度 煤类 灰分 (%) 硫分 (%) 发热量 (Mj/kg) 主采单层厚 (m) 主采层稳定性 主采层结构 复杂程度 煤层倾角 岩浆活动
特征值 8924.08 9307.25 QM FM 18.44% 0.62 27.89 2.09 不稳定 简单～较复杂 IV 1 8～14° 较强烈
评价值 0.4 0.38 0.9 0.52 1.0 1.0 1.0 1.0 1.0 0.2 1.0 1.0
评价指标冲积层厚度 (m) 煤层埋深 (m) 矿床水文类型 工程地质 瓦斯 (m3/d) 地温热害 地区经济 市场规模与质量 运输条件 供水水源 气候 地形地貌
特征值 200～220 415 II 1至 III 1 较简单至中等 1.2 无热害 较好 较好 好 好 较好 V
评价值 0.6 0.8 0.8 0.8 1.0 1.0 0.8 0.8 1.0 0.6 0.8 0.8

5 主要结论

　　(1) 本文提出的基于模糊聚类神经网络资源评价模型，弥补了原有煤炭资源评价方法所存在的缺陷，从而使评价克服主观性，且具有一定的弹性，更加符合现实条件；

　　(2) 经过实例分析，证明本文所建立的煤炭资源分类方法是可靠的、稳定的，且符合实际；同时，本模型的计算过程简单明了，通过所编制的计算机程序即可快速实现网络的学习及工作过程；

　　(3) 本模型在经过一次学习之后，即可得到一组稳定的权值向量，且对新信息的学习不影响对原有信息的记忆。故在进行煤炭资源评价时可对任一煤田进行可靠的评价而无需每次分类前事先学习，为煤炭资源的分类管理提供了一种可行的方法。

参考文献


[返回上一页] [打 印] 上一篇文章：基于GIS的内河岸线资源评价研究——以武汉市域长江干流为例
下一篇文章：基于模糊相似关系的土地资源空间分布系统递阶结构模型
高中各年级课程推荐
高中各年级课程推荐
年级
学期
课程名称
课程试听
高一
高一（上）、(下)同步复习
 语文
英语
数学
数学（期中串讲）
数学（期末串讲）
数学拔高
物理
化学
生物（一）
地理
历史
政治
高中专项突破课
 语文写作
英语阅读理解
英语写作
英语完形填空
物理功和能量
高二
高二（上）、(下)同步复习
 语文
英语
数学（理）
数学拔高（理）
数学（文）
数学拔高（文）
物理
数学（期中串讲）
数学（期末串讲）（理）
数学（期末串讲）（文）
化学
生物（一）
生物（二）
生物（三）
地理
历史
政治
高三
高考第一轮复习
 语文
英语
数学(理)
数学拔高(理)
数学(文)
数学拔高(文)
物理
物理拔高
化学
生物
地理
政治
历史(韩校版)
历史(李晓风版)
高考第二轮复习
 数学(理)
数学(文)
英语
物理
化学
地理
高考第三轮冲刺串讲
 语数英串讲(理)
语数英串讲(文)
物化生串讲
史地政串讲
高考试题精讲
 数学(理)
英语
化学
物理
2021高考研究2021高考策略（理）
2021高考研究2021高考策略（文）
用户评论
评分：

您的评分：0 分

内容：

Copyright © 2005-2020 Ttshopping.Net. All Rights Reserved . |
云南省公安厅:53010303502006 滇ICP备16003680号-9

本网大部分资源来源于会员上传，除本网组织的资源外，版权归原作者所有，如有侵犯版权，请立刻和本网联系并提供证据，本网将在三个工作日内改正。