CN104933199A - 一种基于可信机制的地质大数据融合系统及方法 - Google Patents
一种基于可信机制的地质大数据融合系统及方法 Download PDFInfo
- Publication number
- CN104933199A CN104933199A CN201510412339.7A CN201510412339A CN104933199A CN 104933199 A CN104933199 A CN 104933199A CN 201510412339 A CN201510412339 A CN 201510412339A CN 104933199 A CN104933199 A CN 104933199A
- Authority
- CN
- China
- Prior art keywords
- data
- certainty factor
- fusion
- module
- credible
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于可信机制的地质大数据融合系统及方法。本发明包括依次相连的数据库生成模块、可信因子融入模块、数据融合模块、可信因子验证模块,以及与可信因子融入模块相连的可信因子生成管理模块。本发明将可信技术思想应用到数据融合中,将可信因子生成管理模块的可信因子植入到待融合的数据中,等数据融合之后,再来校验融合之后的可信因子,通过这种方式有效提高大数据在信息融合和数据挖掘的可信性,通过前后可信因子对比,能够清晰、明确的确定数据融合之后的可信度。从而在对挖掘出来的数据,能够大胆使用。
Description
技术领域
本发明属于地质大数据信息融合技术领域,设计一种地学信息处理方法,具体的涉及一种基于可信机制的地质大数据融合系统及方法。
背景技术
随着我国地质信息化的不断深入,地质数据的数据量飞速增长,采集到的数据也是各种各样,例如地形地貌、地层岩性、地质构造、以及各种物探、化探、遥感资料等,将这些数据分类,又可以分为地理信息数据、区域地质数据、水文地质数据、工程地质数据、矿产资源数据、地质灾害数据、地球物理数据、地球化学数据、矿产勘查数据、矿产开发数据等,如果按数据类型来分,又分为矢量图形、属性数据表、栅格数据、影像数据、文本数据等。地质数据除了传统的地质报告、图件、表格外,也出现了大量图片和视频等格式的数据。由于地质原始数据数量巨大、种类繁多且结构复杂,其多源性、离散性和定性特征给工程地质分析带来很大的困难,需要采取方法对信息进行挖掘、进行融合,现在数据挖掘的方法也比较多,例如采用统计分析、决策树、粗糙集、模糊集、基于范例的推理、神经网络等通过这些数据挖掘方法对地质信息数据集中的海量数据进行分析、处理、提炼,或者采取解译分析,将离散不确定的数据通过各种手段转化为连续确定的数据,将定性数据描述定量化,尽量以数值型数据和图形数据来表达,为工程地质问题分析提供高质量的数据。然而,我们在对挖掘出来的数据,拿来使用时,确打上了问号?不知到底数据能不能用,以及可信度有多高?
现在对数据信息的融合、分析,主要是强调对融合方法的研究,很少对融合后数据的可信度进行研究,因此,在大数据时代,引入可信计算技术,加入可信机制对研究地质数据的可信性、可用性显得十分重要。引入可信计算思想旨在从数据可信性的角度来提高地质数据融合之后的可信度,从而解决地质数据的可信问题,是一种很好的方法。
发明内容
本发明的目的是为了解决上述问题,提供一种基于可信机制的地质大数据融合系统及方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于可信机制的地质大数据融合系统,包括依次相连的数据库生成模块、可信因子融入模块、数据融合模块、可信因子验证模块,以及与可信因子融入模块相连的可信因子生成管理模块;
其中,数据库生成模块,将地质数据导入到数据库中,通过对数据库中的数据进行整理和分类,形成地质大数据的数据库;
可信因子管理生成模块,是由可信策略采集子模块、选择数据类型子模块、可信因子生成子模块组成;可信策略采集子模块采集可信策略,形成策略方案,然后选择需要融合的数据类型,通过可信因子生成子模块生成可信因子;
可信因子融入模块,对大数据中待融合的数据,进行可信因子的植入,将待融合的数据进行可信转换;
数据融合模块,对经过可信转换的数据进行数据挖掘,信息融合,生成信息融合之后的数据;
可信因子验证模块,对融合之后的数据,进行可信因子前后对比,在阈值范围之内的融合数据,可认为是可信数据,如果超出阈值之外,认为不可信融合。
一种基于可信机制的地质大数据融合方法,包括以下步骤:
(1)将地质资料成果数据、地质文献数据、国家级地质数据、全国矿产资源潜力评论汇总的数据、从网上抓取的地质行业相关公共数据,进行数据导入、数据整理、数据分类,形成地质大数据的数据库;
(2)通过采集可信策略,匹配对应的数据类型,使用可信推理算法,生成可信因子;
(3)对大数据待挖掘的数据,进行可信因子的植入,进行数据可信转换;
(4)对经过可信转换的数据进行数据挖掘,信息融合,生成信息融合之后的数据;
(5)对融合之后的数据,进行可信因子前后对比,在阈值范围之内的融合数据,认为可信数据,如果超出阈值之外,认为不可信融合。
进一步地,所述步骤(4)中的信息融合方法包括:推理方法、估计方法和特征映射方法。
再进一步地,所述推理方法包括贝叶斯推理、D2F推理、模糊逻辑、神经网络、溯因推理和语义数据融合。
更进一步地,所述估计方法包括极大似然估计、最大后验估计、最小二乘估计、移动平均滤波、卡尔曼滤波和粒子滤波。
本发明与现有技术相比,具有以下优点及有益效果:
本发明将可信技术思想应用到数据融合中,将可信因子生成管理模块的可信因子植入到待融合的数据中,等数据融合之后,再来校验融合之后的可信因子,通过这种方式有效提高大数据在信息融合和数据挖掘的可信性,通过前后可信因子对比,能够清晰、明确的确定数据融合之后的可信度。从而在对挖掘出来的数据,能够大胆使用。
附图说明
图1为本发明的系统框图。
具体实施方式
下面结合实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1所示,一种基于可信机制的地质大数据融合系统,包括依次相连的数据库生成模块、可信因子融入模块、数据融合模块、可信因子验证模块,以及与可信因子融入模块相连的可信因子生成管理模块。
其中,数据库生成模块,将地质资料成果数据、地质文献数据、各类国家级地质数据、全国矿产资源潜力评价汇总的数据、从网上抓取的地质行业相关公共数据等导入到数据库中,通过对数据库中的数据进行整理和分类,形成地质大数据的数据库。
可信因子管理生成模块,由可信策略采集模块、选择数据类型子模块、可信因子生成子模块组成,可信策略采集子模块采集可信策略,形成策略方案,然后选择将要需要融合的数据类型,通过可信因子生成模块生成可信因子。
可信因子融入模块,对大数据中待融合(挖掘)的数据,进行可信因子的植入,将待融合的数据进行可信转换。
数据融合模块,对经过可信转换的数据进行数据挖掘,信息融合,生成信息融合之后的数据。
可信因子验证模块,对融合之后的数据,进行可信因子前后对比,在阈值范围之类的融合数据,可以认为可信数据,如果超出阈值之外,认为不可信融合。
上述一种基于可信机制的地质大数据融合系统的具体融合方法如下:
(1)将地质资料成果数据、地质文献数据、国家级地质数据、全国矿产资源潜力评论汇总的数据、从网上抓取的地质行业相关公共数据,进行数据导入、数据整理、数据分类,形成地质大数据的数据库;
(2)通过采集可信策略,匹配对应的数据类型,使用可信推理算法,生成可信因子;
(3)对大数据待挖掘的数据,进行可信因子的植入,进行数据可信转换;
(4)对经过可信转换的数据进行数据挖掘,信息融合,生成信息融合之后的数据;
(5)对融合之后的数据,进行可信因子前后对比,在阈值范围之内的融合数据,认为可信数据,如果超出阈值之外,认为不可信融合。
其中,步骤(4)的信息融合方法数包括:推理方法、估计方法和特征映射方法。推理方法包括贝叶斯推理、 D2F 推理、模糊逻辑、神经网络、溯因推理和语义数据融合;从估计方法角度,包括极大似然估计、最大后验估计、最小二乘估计、 移动平均滤波、卡尔曼滤波和粒子滤波;特征映射,包括以将表示环境各方面的特征抽取出来,通过评估和推理的融合方法产生一个特征映射,常用的特征映射类型为 OccupancyGrid和Network Scans。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述结构设计的前提下,为解决同样的技术问题,即使在本发明上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一样,故其也应当在本发明的保护范围内。
Claims (5)
1.一种基于可信机制的地质大数据融合系统,其特征在于,包括依次相连的数据库生成模块、可信因子融入模块、数据融合模块、可信因子验证模块,以及与可信因子融入模块相连的可信因子生成管理模块;
其中,数据库生成模块,将地质数据导入到数据库中,通过对数据库中的数据进行整理和分类,形成地质大数据的数据库;
可信因子管理生成模块,是由可信策略采集子模块、选择数据类型子模块、可信因子生成子模块组成;可信策略采集子模块采集可信策略,形成策略方案,然后选择需要融合的数据类型,通过可信因子生成子模块生成可信因子;
可信因子融入模块,对大数据中待融合的数据,进行可信因子的植入,将待融合的数据进行可信转换;
数据融合模块,对经过可信转换的数据进行数据挖掘,信息融合,生成信息融合之后的数据;
可信因子验证模块,对融合之后的数据,进行可信因子前后对比,在阈值范围之内的融合数据,可认为是可信数据,如果超出阈值之外,认为不可信融合。
2.一种基于可信机制的地质大数据融合方法,其特征在于,包括以下步骤:
(1)将地质资料成果数据、地质文献数据、国家级地质数据、全国矿产资源潜力评论汇总的数据、从网上抓取的地质行业相关公共数据,进行数据导入、数据整理、数据分类,形成地质大数据的数据库;
(2)通过采集可信策略,匹配对应的数据类型,使用可信推理算法,生成可信因子;
(3)对大数据待挖掘的数据,进行可信因子的植入,进行数据可信转换;
(4)对经过可信转换的数据进行数据挖掘,信息融合,生成信息融合之后的数据;
(5)对融合之后的数据,进行可信因子前后对比,在阈值范围之内的融合数据,认为可信数据,如果超出阈值之外,认为不可信融合。
3.根据权利要求2所述的一种基于可信机制的地质大数据融合方法,其特征在于,所述步骤(4)中的信息融合方法包括:推理方法、估计方法和特征映射方法。
4.根据权利要求3所述的一种基于可信机制的地质大数据融合方法,其特征在于,所述推理方法包括贝叶斯推理、D2F推理、模糊逻辑、神经网络、溯因推理和语义数据融合。
5.根据权利要求4所述的一种基于可信机制的地质大数据融合方法,其特征在于,所述估计方法包括极大似然估计、最大后验估计、最小二乘估计、移动平均滤波、卡尔曼滤波和粒子滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510412339.7A CN104933199A (zh) | 2015-07-14 | 2015-07-14 | 一种基于可信机制的地质大数据融合系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510412339.7A CN104933199A (zh) | 2015-07-14 | 2015-07-14 | 一种基于可信机制的地质大数据融合系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104933199A true CN104933199A (zh) | 2015-09-23 |
Family
ID=54120366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510412339.7A Pending CN104933199A (zh) | 2015-07-14 | 2015-07-14 | 一种基于可信机制的地质大数据融合系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933199A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446273A (zh) * | 2018-03-15 | 2018-08-24 | 哈工大机器人(合肥)国际创新研究院 | 基于狄式过程的卡尔曼滤波词向量学习方法 |
CN108960429A (zh) * | 2018-05-18 | 2018-12-07 | 成都理工大学 | 矿产资源覆盖区、深部矿床勘查预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101026627A (zh) * | 2007-03-15 | 2007-08-29 | 上海交通大学 | 基于规则和可信度的多源数据融合系统 |
CN101094173A (zh) * | 2007-06-28 | 2007-12-26 | 上海交通大学 | 分布式异构环境下的数据交换集成系统 |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
US7558772B2 (en) * | 2005-12-08 | 2009-07-07 | Northrop Grumman Corporation | Information fusion predictor |
-
2015
- 2015-07-14 CN CN201510412339.7A patent/CN104933199A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558772B2 (en) * | 2005-12-08 | 2009-07-07 | Northrop Grumman Corporation | Information fusion predictor |
CN101026627A (zh) * | 2007-03-15 | 2007-08-29 | 上海交通大学 | 基于规则和可信度的多源数据融合系统 |
CN101094173A (zh) * | 2007-06-28 | 2007-12-26 | 上海交通大学 | 分布式异构环境下的数据交换集成系统 |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
Non-Patent Citations (1)
Title |
---|
刘佳俊,胡昌华,周志杰,张鑫,王鹏: ""基于证据推理和置信规则库的装备寿命评估"", 《控制理论与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446273A (zh) * | 2018-03-15 | 2018-08-24 | 哈工大机器人(合肥)国际创新研究院 | 基于狄式过程的卡尔曼滤波词向量学习方法 |
CN108446273B (zh) * | 2018-03-15 | 2021-07-20 | 哈工大机器人(合肥)国际创新研究院 | 基于狄式过程的卡尔曼滤波词向量学习方法 |
CN108960429A (zh) * | 2018-05-18 | 2018-12-07 | 成都理工大学 | 矿产资源覆盖区、深部矿床勘查预测方法及系统 |
CN108960429B (zh) * | 2018-05-18 | 2020-11-10 | 成都理工大学 | 矿产资源覆盖区、深部矿床勘查预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuhn et al. | Lithologic mapping using Random Forests applied to geophysical and remote-sensing data: A demonstration study from the Eastern Goldfields of Australia | |
Xiang et al. | 3D mineral prospectivity mapping with random forests: A case study of Tongling, Anhui, China | |
Antariksa et al. | Performance evaluation of machine learning-based classification with rock-physics analysis of geological lithofacies in Tarakan Basin, Indonesia | |
Abdullah et al. | Remote sensing and geographic information system for fault segments mapping a study from Taiz area, Yemen | |
CN104504047B (zh) | 一种基于双层数据库的固体矿产资源储量估算系统 | |
Yin et al. | A deep learning-based data-driven approach for predicting mining water inrush from coal seam floor using micro-seismic monitoring data | |
Qi et al. | Application of seismic multi-attribute fusion method based on DS evidence theory in prediction of CBM-enriched area | |
Niu et al. | An ensemble transfer learning strategy for production prediction of shale gas wells | |
CN104199092A (zh) | 基于多层次框架的三维全层位自动追踪方法 | |
Zhang et al. | Research on coal and rock type recognition based on mechanical vision | |
CN107193001A (zh) | 基于探地雷达的岩溶隧道不良地质预报专家系统及实现方法 | |
Hossain et al. | Lithology prediction using well logs: A granular computing approach | |
Wang et al. | A method for well log data generation based on a spatio-temporal neural network | |
CN104933199A (zh) | 一种基于可信机制的地质大数据融合系统及方法 | |
Zhang et al. | Seismic characterization of deeply buried paleocaves based on Bayesian deep learning | |
CN108983296B (zh) | 一种瞬变电磁和激发极化效应解耦方法 | |
Beshkani et al. | Large Kombewa flake production in north Oman | |
Zhang et al. | Mineralization-related geochemical anomalies derived from stream sediment geochemical data using multifractal analysis in Pangxidong area of Qinzhou-Hangzhou tectonic joint belt, Guangdong Province, China | |
CN111859709B (zh) | 一种含水层结构变异转移概率的地质统计模拟方法及装置 | |
Gao et al. | Retrieving forest canopy height from ICESat-2 data by an improved DRAGANN filtering method and canopy top photons classification | |
CN104459789A (zh) | 一种地震波初至拾取的方法 | |
CN105589096B (zh) | 一种基于d-s证据理论的沉积相带划分方法 | |
Yang et al. | Mineralized-anomaly identification based on convolutional sparse autoencoder network and isolated forest | |
Aranha et al. | Unsupervised machine learning-based prospectivity analysis of NW and NE India for carbonatite-alkaline complex-related REE deposits | |
Govindan et al. | Application of an unsupervised methodology for the indirect detection of CO2 leakages around the Laacher See in Germany using remote sensing data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150923 |
|
RJ01 | Rejection of invention patent application after publication |