一种基于模糊逻辑和机器学习的成矿预测方法及系统技术方案

本发明专利技术涉及一种基于模糊逻辑和机器学习的成矿预测方法，所述方法包括：建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；基于所述矿床模型获取与成矿相关的成矿预测要素；对所述成矿预测要素进行预处理；对预处理后的成矿预测要素进行模糊化处理；基于模糊化处理后的成矿预测要素确定训练数据；建立机器学习模型；基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；基于训练后的机器学习模型进行成矿预测。本发明专利技术中的上述方法能够提高预测的准确度。

A metallogenic prediction method and system based on fuzzy logic and machine learning

【技术实现步骤摘要】
一种基于模糊逻辑和机器学习的成矿预测方法及系统
本专利技术涉及成矿预测领域，特别是涉及一种基于模糊逻辑和机器学习的成矿预测方法及系统。
技术介绍
成矿预测是矿床学研究的热点，是指导找矿的桥梁和工具。目前主要的成矿预测方法可分为两类：知识驱动和数据驱动。其中知识驱动方法适合在已知矿产地较少的地区进行成矿预测，而数据驱动方法适用于在已知矿产地较多的地区进行成矿预测。常用的数据驱动成矿预测方法(如证据权法)，是直接将各变量导入预测模型中，生成成矿有利度图进行成矿预测。在应用变量时，直接应用变量的原值，地质意义不够明确，每个变量对于成矿的贡献难以表达。而常用的知识驱动模型方法(如模糊逻辑法)，充分利用了地质专家的知识筛选变量，可进行定性或半定量预测，但定量程度不够，与传统定量方法相比，预测结果受专家主观影响较大，预测精度不高。在大数据时代，机器学习的方法已逐渐被应用到成矿预测领域中。但与证据权法等方法类似，如简单将不同的预测变量直接采用机器学习算法进行处理，其地质意义不明确，预测结果难以准确表达。本专利技术专利结合知识驱本文档来自技高网...

【技术保护点】
1.一种基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述方法包括：/n建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；/n基于所述矿床模型获取与成矿相关的成矿预测要素；/n对所述成矿预测要素进行预处理；/n对预处理后的成矿预测要素进行模糊化处理；/n基于模糊化处理后的成矿预测要素确定训练数据；/n建立机器学习模型；/n基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；/n基于训练后的机器学习模型进行成矿预测。/n

【技术特征摘要】
1.一种基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述方法包括：
建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；
基于所述矿床模型获取与成矿相关的成矿预测要素；
对所述成矿预测要素进行预处理；
对预处理后的成矿预测要素进行模糊化处理；
基于模糊化处理后的成矿预测要素确定训练数据；
建立机器学习模型；
基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；
基于训练后的机器学习模型进行成矿预测。


2.根据权利要求1所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述基于所述矿床模型获取与成矿相关的成矿预测要素具体包括：
收集地质、地球物理、地球化学、矿产地数据；所述矿产地数据包括：矿床、矿点及矿化点数据；
以GIS软件为平台，根据收集的地质、地球物理、地球化学、矿产地数据，建立相应图层；
根据所述矿产地数据与所述地质、地球物理、地球化学数据之间的关系，提取与成矿有关的成矿预测要素。


3.根据权利要求1所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，对所述成矿预测要素进行预处理具体包括：对地质要素和地球化学数据进行预处理；
其中，所述对地质要素进行预处理包括：
对地球物理数据，进行延拓、方向导数处理，解译地层、构造、岩体信息，生成解译数据；所述地球物理数据包括：区域航磁数据和重力数据；所述解译数据包括：航磁解译地层、航磁解译构造、航磁解译岩体、重力解译构造以及重力解译岩体；
将所述解译数据，与原地质要素数据合并，生成新的地质要素数据，并进行栅格化；
将新生成地质要素数据，采用空间信息查询工具挑选出与成矿有关的地层、构造、岩体数据；
将与成矿有关的地层、构造数据导入GIS，采用GIS软件的线密度功能，生成地层、构造复杂度数据；
将矿产地数据及与成矿有关的地层、构造、岩体数据导入GIS软件，采用GIS软件的邻域分析功能，分别确定矿产地与地层、构造、岩体的距离，生成矿产地到地层、构造、岩体的三个距离数据文件；
所述对地球化学数据进行预处理具体包括：
将地球化学数据导入统计软件，得到多个地球化学变量；
利用因子分析算法和主成分分析算法，将多个地球化学变量组合成少数几个因子变量；
利用插值方法对所述地球化学变量和因子变量进行插值处理，生成单元素地球化学图及单因子地球化学图。


4.根据权利要求3所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述对预处理后的成矿预测要素进行模糊化处理具体包括：
对所述新的地质要素数据，结合矿床,实际与地层的空间关系，采用专家赋值法进行模糊化处理；
对于矿产地与构造、岩体距离参数，根据矿产地与构造、岩体的空间关系，采用相应的模糊算子进行模糊化；
对生成单元素地球化学图、单因子地球化学图，采用“模糊大”算子进行处理，生成地球化学数据模糊图层；
将模糊化后的新的地质要素数据、矿产地与构造、岩体距离参数以及地球化学数据模糊图层进行数据融合，得到预测变量图层。


5.根据权利要求4所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述基于模糊化处理后的成矿预测要素确定训练数据具体包括：
获取矿产地数据和非矿产地数据；
将所述矿产地数据和非矿产地数据合并，生成训练数据；
利用融合后的预测变量图层为所述训练数据赋值，得到赋值后的训练数据。


6.一种基于模糊逻辑和机器学习的成矿预测系统，其特征在于，所述系统包括...

【专利技术属性】
技术研发人员：孙莉，高阳，
申请(专利权)人：中国地质科学院矿产资源研究所，
类型：发明
国别省市：北京;11