本发明专利技术公开了一种玄武岩构造背景分类方法、系统、装置及存储介质，获取玄武岩数据集，对玄武岩数据集进行数据预处理，得到目标数据集；构建深度神经网络；通过目标数据集对深度神经网络进行参数优化；获取待判别数据，通过降维算法对待判别数据进行降维压缩处理，得到二维压缩数据；根据二维压缩数据，通过完成参数优化的深度神经网络绘制二维决策边界。本发明专利技术能够缓解数据不平衡并减少数据使用量；通过深度神经网络能够避免了耗时耗力的特征工程阶段，进而结合对深度神经网络的参数优化，提高了分类准确率；最终绘制出二维决策边界，从而更加直观有效的观察分类效果，可广泛应用于数据技术领域。数据技术领域。数据技术领域。
【技术实现步骤摘要】
一种玄武岩构造背景分类方法、系统、装置及存储介质
[0001]本专利技术涉及数据处理
，尤其是一种玄武岩构造背景分类方法、系统、装置及存储介质。
技术介绍
[0002]玄武岩是岩浆经火山口喷出到地表后在大气圈和水圈中冷却结晶形成的，是一种具有重要经济价值的矿产资源，在建筑、净水、铁路等行业有着重要的应用。玄武岩的形成环境决定了玄武岩的性质。在地球化学上区分不同构造环境中的岩浆活动，是理解地幔内岩浆生成过程的基本要求，是恢复造山带构造演化的关键，对划分构造旋回有着重要意义。此外，在地球科学中,对任何地质作用的属性、形成及发展过程的研究都必须考虑其所处的区域地质构造背景。对玄武岩的构造背景进行准确判别，是研究玄武岩地球科学的重要工作，对玄武岩形成环境的研究具有重要意义。以往的研究中往往通过分析玄武岩中所含元素浓度并绘制二元图或者三元图区分玄武岩的形成环境。但这种分类方法很难准确地对玄武岩进行分类。
[0003]20世纪70年代由Pearce等人提出了的微量元素判别图，作为一种对玄武岩及其他玄武岩的构造背景的判别方法。通过对少量元素类型进行X射线荧光光谱法(XBF)或仪器中子活化分析(INAA)进行测量，在当时也能得当相对精确的判别结果，并采用二元判别图或三元判别图对结果进行绘制，如图1所示。但由于判别图的维度限制，导致基于判别图的分析方法不能很好地利用玄武岩所有的元素特征。Li等人又进一步说明判别图作为玄武岩构造背景的判别工具的不精确性，第一，由于玄武岩构造背景种类的增多，使得仅使用数量非常有限的地球化学参数识别构造环境变得复杂；第二，俯冲相关玄武岩在地球化学上与地壳污染玄武岩相似，使得通过判别图分析方法难以将二者进行区分；第三，来自大洋中脊的大多数玄武岩中不共享、不相容的元素的明显缺乏，导致来自大洋中脊的玄武岩只拥有少量作为区分其构造背景的元素特征，而难以对其构造背景进行判别。上述这些原因导致了判别图作为玄武岩构造环境的判别工具表现不佳，该判别方法现在并不占优。
[0004]随着人工智能的发展，利用传统机器学习算法求解分类问题进入大众的视野，Petrelli等人使用机器学习算法——带有径向基函数核(RBF)的支持向量机(SVM)，对玄武岩的8个构造背景进行判别，打破了维度的限制，并通过对比使用OVO(one vs one)和OVR(one vs rest)策略，使得SVM在该分类问题中表现良好，在最佳的配置环境下，除弧后盆地(BAB)外，其他构造背景的分类准确率都能达到84％以上，BAB构造环境的分类准确率只有65％，其分类精度混淆矩阵如图2所示。2018年，Ueki等人分别使用传统机器学习算法SVM、随机森林(RF)和稀疏多项式(SMR)对玄武岩的8个构造背景进行判别，并对分类结果均采用10倍交叉验证，其使用SVM得到的结论与Petrelli等人类似，在BAB样本上分类精确度仍不高，为74％，而其余都高于91％，如图3所示。如图4所示，基于RF(左)和SMR(右)方法得到的分类分数(classification score，CS)都低于SVM，但RF和SMR可以产生有关个别构造背景的一定的地球化学信息，如RF可以在识别过程中确定特征的重要程度、SMR提供了可以确定
给定样本来自特定构造设置的可能性。
[0005]传统机器学习算法在解决玄武岩构造背景分类问题时避免不了复杂繁琐的特征工程,不能对所有的玄武岩构造背景进行很好的判别，如BAB。但是，先前的工作都需要借助玄武岩的常量+微量+同位素的复杂多元的数据组合，才能对玄武岩构造背景做出良好的判别。
技术实现思路
[0006]有鉴于此，本专利技术实施例提供了一种检测精度高，部署成本低的，一种玄武岩构造背景分类方法、系统、装置及存储介质。
[0007]一方面，本专利技术实施例提供了一种玄武岩构造背景分类方法，包括：
[0008]获取玄武岩数据集，对所述玄武岩数据集进行数据预处理，得到目标数据集；其中，所述数据预处理包括标准化处理、高斯变换处理和数据增强处理；
[0009]构建深度神经网络；
[0010]通过所述目标数据集对所述深度神经网络进行参数优化；
[0011]获取待判别数据，通过降维算法对所述待判别数据进行降维压缩处理，得到二维压缩数据；
[0012]根据所述二维压缩数据，通过完成参数优化的深度神经网络绘制二维决策边界。
[0013]可选地，所述对所述玄武岩数据集进行数据预处理，得到目标数据集，包括：
[0014]对所述玄武岩数据集进行标准化处理，得到尺寸统一的第一数据集；
[0015]对所述第一数据集进行高斯变换处理，得到高斯分布的第二数据集；
[0016]通过Smote算法对所述第二数据集进行数据增强处理，通过插值的方式产生额外的样本，得到目标数据集。
[0017]可选地，所述构建深度神经网络，包括：
[0018]根据输入层、隐藏层和输出层构建深度神经网络；
[0019]其中，部分所述隐藏层中加入了弃权层。
[0020]可选地，所述通过所述目标数据集对所述深度神经网络进行参数优化，包括：
[0021]初始化所述深度神经网络的权重参数；
[0022]基于所述目标数据集，通过损失函数和参数选择器迭代更新权重参数，直至达到预设的迭代次数和/或网络模型的误差和精度达到预设的阈值范围。
[0023]可选地，所述通过损失函数和参数选择器迭代更新权重参数，包括：
[0024]基于前向传播，通过损失函数计算损失值；
[0025]基于反向传播，根据所述损失值，通过参数选择器采用自适应矩估计算法进行权重优化；
[0026]根据所述前向传播和所述反向传播，进行迭代更新权重参数。
[0027]可选地，所述通过损失函数计算损失值，包括：
[0028]通过交叉熵损失函数计算损失值；
[0029]其中，所述交叉熵损失函数的公式为：
[0030][0031]其中，loss(x,class)表示损失值，x[class]表示真实标签的预测值，x[j]表示玄武岩第j个类别的预测值。
[0032]可选地，所述通过参数选择器进行权重优化，包括：
[0033]通过参数选择器，采用自适应矩估计算法进行权重优化；
[0034]其中，所述自适应矩估计算法的公式为：
[0035][0036][0037]m
t
←
β1·
m
t
‑1+(1
‑
β1)
·
g
t
[0038][0039][0040][0041][0042]其中，t表示更新步数，g
t
表示损失函数对权重的梯度，表示梯度计算，f
t
()为损失函数，w
t
‑1表示第t
‑
1步的网络权重，w
t
表示第t步的网络权重，m
t
表本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种玄武岩构造背景分类方法，其特征在于，包括：获取玄武岩数据集，对所述玄武岩数据集进行数据预处理，得到目标数据集；其中，所述数据预处理包括标准化处理、高斯变换处理和数据增强处理；构建深度神经网络；通过所述目标数据集对所述深度神经网络进行参数优化；获取待判别数据，通过降维算法对所述待判别数据进行降维压缩处理，得到二维压缩数据；根据所述二维压缩数据，通过完成参数优化的深度神经网络绘制二维决策边界。2.根据权利要求1所述的一种玄武岩构造背景分类方法，其特征在于，所述对所述玄武岩数据集进行数据预处理，得到目标数据集，包括：对所述玄武岩数据集进行标准化处理，得到尺寸统一的第一数据集；对所述第一数据集进行高斯变换处理，得到高斯分布的第二数据集；通过Smote算法对所述第二数据集进行数据增强处理，通过插值的方式产生额外的样本，得到目标数据集。3.根据权利要求1所述的一种玄武岩构造背景分类方法，其特征在于，所述构建深度神经网络，包括：根据输入层、隐藏层和输出层构建深度神经网络；其中，部分所述隐藏层中加入了弃权层。4.根据权利要求1所述的一种玄武岩构造背景分类方法，其特征在于，所述通过所述目标数据集对所述深度神经网络进行参数优化，包括：初始化所述深度神经网络的权重参数；基于所述目标数据集，通过损失函数和参数选择器迭代更新权重参数，直至达到预设的迭代次数和/或网络模型的误差和精度达到预设的阈值范围。5.根据权利要求4所述的一种玄武岩构造背景分类方法，其特征在于，所述通过损失函数和参数选择器迭代更新权重参数，包括：基于前向传播，通过损失函数计算损失值；基于反向传播，根据所述损失值，通过参数选择器采用自适应矩估计算法进行权重优化；根据所述前向传播和所述反向传播，进行迭代更新权重参数。6.根据权利要求5所述的一种玄武岩构造背景分类方法，其特征在于，所述通过损失函数计算损失值，包括：通过交叉熵损失函数计算损失值；其中，所述交叉熵损失函数的公式为：其中，loss(x,class)表示损失值，x[class]表示真实标签的预测值，x[j]表示玄武岩第个类别的预测值。7.根据...
【专利技术属性】
技术研发人员：牛云云，薛胜超，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。