【技术实现步骤摘要】
本专利技术涉及数据分析，特别是涉及一种矿产资源远景区圈定方法、设备、介质及产品。
技术介绍
1、矿产远景预测是矿产资源勘查的一项综合性工作，其目的是从多源非均质地球科学数据中获取与成矿有关的重要信息获得成矿潜力区。机器学习算法充分利用了多源相关地理信息深入挖掘多尺度找矿指示因素与矿床位置之间复杂的非线性关系，广泛应用于矿产找矿预测，实现找矿区智能圈定。
2、作为数据分析领域的前沿方法，浅层机器学习如随机森林、支持向量机等不依赖于数据的分布，能够从复杂的地学数据中提取内部的逻辑和关系，挖掘隐藏的地质信息，结合多源融合数据，可实现目标的高效识别。浅层机器学习算法其局限性在于有限样本情况下对复杂函数的表达能力有限，制约了对复杂数据分布问题的泛化能力。
3、相比于浅层机器学习需要依靠人工经验抽取样本特征的方式，深度学习则靠模拟人脑的神经元结构，通过对原始信号进行逐层特征变换，建立低层数据到高层特征的映射，构建一个从原始数据到有效特征的自动提取模型，以大大提升异常识别的效率和质量，具有高效、智能化的特点。同时，深度学习因能充分提取融合数据的空间特征，深度学习对于分析非线性、复杂和海量高维的数据结构上的优势，在深层次地质信息挖掘与集成等方面具有广阔的前景，结合深度学习最新技术来实现矿致异常快速和自动化识别具有很大的应用潜力。但是深度学习通常需要大量的标签数据，往往需要耗费大量的人力物力打标签，如果训练数据不足训练容易产生过拟合，导致预测结果出现偏差。在矿产资源评价领域，有矿点的数据通常是非常稀缺的，往往研究区矿床数量
4、具体的，深度学习作为一种具有多级非线性变换的层级机器学习算法，可通过学习一种深层次表示非线性网络结构，实现复杂函数逼近，以组合低层特征形成更加抽象的深层次表示属性或特征，从而达到高精度分类和预测的目的。区别于一般的神经网络，深度学习强调通过更深层次的网络模型来学习和提取样本特征，并采用逐层训练和反向传播的方式解决全局最优解问题，可学习到多源找矿信息与矿床之间复杂的时空耦合关系，能够刻画常规方法无法发现的异常和模式，已经应用于矿致异常识别和矿产资源潜力评价。中国学者较早使用深度学习模型开展了复杂地质条件下的矿致异常识别，如利用连续受限玻尔兹曼机有效识别了多元地球化学异常。在该模型的基础上，构建了基于深度自编码网络的多元地球化学异常识别模型。基于深度学习强大的特征提取能力，进一步构建了深度置信网络与单类支持向量机相结合的混合模型，将深度学习模型提取的深层次特征信息作为单类支持向量机异常检测算法的输入，有效地提取了多元地球化学异常信息。将深度自编码网络与基于密度的聚类算法相结合，利用深度自编码网络实现特征提取。这些研究发现深度学习模型不依赖勘查地球化学数据的分布假设，可处理复杂、非线性的空间模式，可识别传统方法无法识别的异常。与此同时，尝试使用全部地球化学变量，将大数据思维和深度学习方法相结合，以充分考虑元素组合的复杂性和多样性，为刻画具有非线性性特征的地球化学空间模式和提取隐式的异常提供了新途径，可更好的应用于地球化学异常识别。
5、根据是否依赖标记数据，机器学习进行矿产远景预测可分为监督式、非监督式，半监督及其混合方法。监督学习方法依赖于与已知矿床相关的标记数据，建立有远景和无远景分类模型。通过获得的含矿概率评价区域成矿潜力。这些监督方法的优点是可以在不假设多源地球科学数据分布的情况下，很好地处理指示矿因素与矿床之间的非线性关系，圈定矿化特征与已知矿床高度相似的潜在区域。然而，有监督方法的训练依赖于标记样本并且需要足够的已知矿床，在一些勘探程度不高的地区，已知矿点非常有限，可能导致识别效果不佳。
6、无监督学习方法不依赖于标记样本，而是基于异常检测的思想提取矿化异常。它们从多源变量的复杂背景，基于矿化异常的特殊属性分离矿化异常。异常矿化程度越高，圈定成矿的可能性越高，适用于勘探程度较低的研究区或未开发地区。例如，利用一类支持向量机进行提取多元异常区域，建立一个超球面，使背景样本落在超球内，异常样本落在超球外超球面。采用自编码器网络探测矿化异常，通过重构误差，在没有标记数据的情况下，学习矿化特征。例如，结合多源地球科学使用了深度回归提高神经网络的预测性能。根据地质资料和地球化学利用小波变换提取地球物理异常分析，应用小波神经网络增强了捕捉弱者的能力与隐伏矿物有关的隐伏信息。采用长短时记忆网络(long short term networks，lstm)提取矿化与加权关系基于联合奇异加权法生成的证据层。利用门控循环单元lstm网络开展矿产潜力预测，更好地捕捉已知矿床和指示因素之间的非线性关系。使用图深度学习来有效捕捉空间矿化特征；保留所获得特征的各向异性。利用暹罗网络来自动提取概化特征通过测量输入的相似度来获得新样本样品，从而实现找矿预测。根据自编码器网络对背景样本的重构误差较小，对异常样本的重构误差较大，实现了基于高维的地球化学或矿化异常识别。背景样本是指与周围背景相比没有明显异常的区域。异常与背景样本可以分别视为正样本和负样本。用不同维度的地球化学变量同一研究区实现地球化学异常识别，表明自编码器网络有更好的异常识别高维数据。
7、由于矿化异常样本重构误差较大的特点，传统的自编码器网络(autoencodernetwork)在矿化异常中识别得到了广泛的应用。然而，它们在进行矿化异常识别时，传统的自编码器网络容易忽略多源空间耦合信息或指示因子由于特征冗余过多而泛化能力较低，且依赖于已知的非矿化样本，存在局限性。
8、此外，传统的自编码器方法采用矿化相关因素的一维输入数据，忽略了示矿因子之间重要的空间位置信息，而不是有利于成矿位置关系的建立。这甚至可能导致出现由一维向量引起的过多特征冗余引起的过拟合问题。
9、在矿产资源评价领域，有矿点的数据通常是非常稀缺的，往往研究区矿床数量达不到进行深度学习的靶区圈定的时候，可以尝试使用无监督分类来识别矿化异常，但是无监督分类通常需要人为输入背景(正常)样本进行训练，但是背景样本同样由于人为选择因素较大，具有主观性。此外，纯粹数据驱动的深度学习方法，对训练数据的依赖性较强，影响了算法的泛化能力。
技术实现思路
1、为解决现有技术存在的上述问题，本专利技术提供了一种矿产资源远景区圈定方法、设备、介质及产品。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种矿产资源远景区圈定方法，所述方法包括：
4、采用孤立森林提取待检测矿床的背景样本；
5、构建稀疏自编码器网络；
6、将所述背景样本输入至所述稀疏自编码器网络得到检测结果；
7、基于所述检测结果识别完成矿产资源远景区的圈定。
8、可本文档来自技高网...
【技术保护点】
1.一种矿产资源远景区圈定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的矿产资源远景区圈定方法，其特征在于，采用孤立森林提取待检测矿床的背景样本，具体包括：
3.根据权利要求2所述的矿产资源远景区圈定方法，其特征在于，所述设定值为0.5。
4.根据权利要求2所述的矿产资源远景区圈定方法，其特征在于，分割所述拆分值，将当前节点的像素点划分为所选通道中的子节点，具体包括：
5.根据权利要求1所述的矿产资源远景区圈定方法，其特征在于，构建稀疏自编码器网络，具体包括：
6.根据权利要求5所述的矿产资源远景区圈定方法，其特征在于，采用的自相似性分形方法为数盒子方法。
7.根据权利要求1所述的矿产资源远景区圈定方法，其特征在于，所述稀疏自编码器网络的损失函数为：
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述矿产资源远景区圈定方法的步骤。
9.一种计算机可读存储介质，其上
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述矿产资源远景区圈定方法的步骤。
...【技术特征摘要】
1.一种矿产资源远景区圈定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的矿产资源远景区圈定方法，其特征在于，采用孤立森林提取待检测矿床的背景样本，具体包括：
3.根据权利要求2所述的矿产资源远景区圈定方法，其特征在于，所述设定值为0.5。
4.根据权利要求2所述的矿产资源远景区圈定方法，其特征在于，分割所述拆分值，将当前节点的像素点划分为所选通道中的子节点，具体包括：
5.根据权利要求1所述的矿产资源远景区圈定方法，其特征在于，构建稀疏自编码器网络，具体包括：
6.根据权利要求5所述的矿产资源远景区圈定方法，其特征在于，采用的自相似性分形方法为数盒子方法...
【专利技术属性】
技术研发人员：阴江宁，
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：
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。