CN115272798B - 一种利用信息量扩充成矿预测训练正样本的方法及系统 - Google Patents

一种利用信息量扩充成矿预测训练正样本的方法及系统 Download PDF

Info

Publication number
CN115272798B
CN115272798B CN202210916376.1A CN202210916376A CN115272798B CN 115272798 B CN115272798 B CN 115272798B CN 202210916376 A CN202210916376 A CN 202210916376A CN 115272798 B CN115272798 B CN 115272798B
Authority
CN
China
Prior art keywords
information
prediction
point
ore
positive samples
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.)
Active
Application number
CN202210916376.1A
Other languages
English (en)
Other versions
CN115272798A (zh
Inventor
徐凯
孔春芳
吴冲龙
田宜平
李岩
杨昌语
吴雪超
武永进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Dida Quanty Technology Co ltd
China University of Geosciences
Original Assignee
Wuhan Dida Quanty Technology Co ltd
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Dida Quanty Technology Co ltd, China University of Geosciences filed Critical Wuhan Dida Quanty Technology Co ltd
Priority to CN202210916376.1A priority Critical patent/CN115272798B/zh
Publication of CN115272798A publication Critical patent/CN115272798A/zh
Application granted granted Critical
Publication of CN115272798B publication Critical patent/CN115272798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种利用信息量扩充成矿预测训练正样本的方法及系统，本发明利用可视化工具和直方图进行分类，利用格点空间分布和地质约束对扩充点进行筛选，为增加正样本提供新途径，能够为利用机器学习进行成矿预测，以及提高预测精度提供有力支持；基于信息量来增加成矿预测模型训练样本，可用于在利用机器学习方法进行矿产资源预测过程中增加训练样本，并且可以在其他机器学习应用领域推广应用。

Description

一种利用信息量扩充成矿预测训练正样本的方法及系统
技术领域
本发明属于成矿预测技术领域，特别是一种利用信息量扩充成矿预测训练正样本的方法及系统。
背景技术
矿产资源在国民经济中占有十分重要的战略地位，随着地表矿、浅部矿、易识别矿的逐渐减少，找矿方向逐渐由地表矿转向深部隐伏矿体，对矿山资源预测的需求与日俱增。成矿预测是对发生在过去成矿事件的未知特征进行的估计或推断。预测的过程实质上是一种严密的科学逻辑思维过程，包括观察、分析、归纳、演绎及推理等认识环节。
采用大数据理论、人工智能理论与机器学习算法进行矿产资源定量预测，是一个全新的、探索性的重要发展方向。在借助机器学习算法进行成矿预测过程中，重点要解决机器学习训练样本的问题，由于地质成矿属于小概率事件，造成机器学习模型的样本非常稀缺，难以从地质观测数据中学习。因此，增加成矿预测模型训练样本对于成矿预测具有重要意义。
发明内容
本发明的目的是提供一种利用信息量扩充成矿预测训练正样本的方法及系统，旨在解决现有技术中机器学习成矿预测样本不足的问题，实现快速构建基于机器学习的成矿预测模型所需训练样本集。
为达到上述技术目的，本发明提供了一种利用信息量扩充成矿预测训练正样本的方法，所述方法包括以下操作：
对参与成矿预测的多维数据进行标准化和离散化处理，获得栅格数据；
计算多维数据不同类别所对应的信息量值，并计算每个栅格点的信息量值；
利用可视化工具和直方图对格点信息量值进行分类，将已有正样本与栅格信息量值进行叠加处理，将包含最多样本点的分类中的最小信息量值作为阈值；
将信息量值大于阈值的栅格点作为预备扩充点集；
利用种子点生长方法，选取预备扩充点集中满足地质约束、空间上满足分布要求的空间最邻近点作为扩充点，构建成矿预测模型所需训练样本集。
优选地，所述信息量值的计算如下：
Figure BDA0003775845660000021
I为信息量值。
优选地，所述标准化具体为统一坐标系以及统一比例尺，所述离散化处理为将矢量数据转化为栅格数据，同一空间位置的不同参数离散化后的格点具有相同的坐标。
优选地，所述多维数据包括地质、物探、化探、遥感数据。
本发明还提供了一种基于信息量增加成矿预测模型训练样本的系统，所述系统包括：
数据预处理模块，用于对参与成矿预测的多维数据进行标准化和离散化处理，获得栅格数据；
信息量计算模块，用于计算多维数据不同类别所对应的信息量值，并计算每个栅格点的信息量值；
阈值确定模块，用于利用可视化工具和直方图对格点信息量值进行分类，将已有正样本与栅格信息量值进行叠加处理，将包含最多样本点的分类中的最小信息量值作为阈值；
扩充点集模块，用于将信息量值大于阈值的栅格点作为预备扩充点集；
扩充点选取模块，用于利用种子点生长方法，选取预备扩充点集中满足地质约束、空间上满足分布要求的空间最邻近点作为扩充点，构建成矿预测模型所需训练样本集。
优选地，所述信息量值的计算如下：
Figure BDA0003775845660000022
I为信息量值。
优选地，所述标准化具体为统一坐标系以及统一比例尺，所述离散化处理为将矢量数据转化为栅格数据，同一空间位置的不同参数离散化后的格点具有相同的坐标。
优选地，所述多维数据包括地质、物探、化探、遥感数据。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
与现有技术相比，本发明利用可视化工具和直方图进行分类，利用格点空间分布和地质约束对扩充点进行筛选，为增加正样本提供新途径，能够为利用机器学习进行成矿预测，以及提高预测精度提供有力支持；基于信息量来增加成矿预测模型训练样本，可用于在利用机器学习方法进行矿产资源预测过程中增加训练样本，并且可以在其他机器学习应用领域推广应用。
附图说明
图1为本发明实施例中所提供的一种利用信息量扩充成矿预测训练正样本的方法逻辑流程图；
图2为本发明实施例中所提供的正样本(矿点)分布图；
图3为本发明实施例中所提供的正样本点与格点信息量值分类叠加示意图；
图4为本发明实施例中所提供的经过阈值处理、空间分布和地质约束筛选的样本点分布图。
具体实施方式
为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种利用信息量扩充成矿预测训练正样本的方法及系统进行详细说明。
如图1-4所示，本发明实施例公开了一种利用信息量扩充成矿预测训练正样本的方法，所述方法包括以下操作：
对参与成矿预测的多维数据进行标准化和离散化处理，获得栅格数据；
计算多维数据不同类别所对应的信息量值，并计算每个栅格点的信息量值；
利用可视化工具和直方图对格点信息量值进行分类，将已有正样本与栅格信息量值进行叠加处理，将包含最多样本点的分类中的最小信息量值作为阈值；
将信息量值大于阈值的栅格点作为预备扩充点集；
利用种子点生长方法，选取预备扩充点集中满足地质约束、空间上满足分布要求的空间最邻近点作为扩充点，构建成矿预测模型所需训练样本集。
本发明实施例利用信息量模型增加成矿预测模型训练样本，可快速组织和形成基于机器学习的成矿预测模型所需的训练样本，从而提高矿产资源预测的可靠性和精度。
对参与成矿预测的多参数地物化遥数据，进行统一坐标系、统一比例尺和数据离散化处理。地物化遥数据离散化处理是指将矢量数据转化为栅格数据，并保证同一空间位置的不同参数离散化后的格点具有相同的坐标。处理后导出包含I D、坐标、属性的DAT或TXT文件。
根据信息量模型计算同一格点多维度参数的不同类别所对应的信息量值，不同参数形成不同的信息量数值文件，将同一格点对应不同维度的信息量值求和，得到每个格点的信息量值，信息量模型如下：
Figure BDA0003775845660000041
I为信息量值。
将每个格点的信息量值进行可视化显示，以正样本在空间上尽量都落在信息量的高值区为依据，利用可视化工具和直方图对格点信息量值进行分类，根据直方图将格点信息量分为多个类型。
由于只考虑正样本(有矿)，需寻找一个阈值对格点进行重分类。将已有正样本与格点信息量值分类结果叠加进行空间分析，以大多数正样本落在某类中的最小信息量值作为阈值，对格点进行二值分类。将大于阈值的格点，作为正样本的预备扩充点，形成预备扩充点集。
利用种子点生长方法，结合预备扩充点的空间分布、地质约束条件，进一步筛选正样本预备扩充点，确保预备扩充点在空间上尽量均有散布，并从成矿条件和控矿要素方面确定其是正样本可能性大的点，满足神经网络模型训练集数量要求，从而获得正样本扩充集，其数量远大于原有正样本。
利用正样本扩充集训练神经网络模型，并用测试集对模型继续测试，检测和分析正样本扩充集效果。
本发明实施例利用可视化工具和直方图进行分类，利用格点空间分布和地质约束对扩充点进行筛选，为增加正样本提供新途径，能够为利用机器学习进行成矿预测，以及提高预测精度提供有力支持；基于信息量来增加成矿预测模型训练样本，可用于在利用机器学习方法进行矿产资源预测过程中增加训练样本，并且可以在其他机器学习应用领域推广应用。
本发明实施例还公开了一种利用信息量扩充成矿预测训练正样本的系统，所述系统包括：
数据预处理模块，用于对参与成矿预测的多维数据进行标准化和离散化处理，获得栅格数据；
信息量计算模块，用于计算多维数据不同类别所对应的信息量值，并计算每个栅格点的信息量值；
阈值确定模块，用于利用可视化工具和直方图对格点信息量值进行分类，将已有正样本与栅格信息量值进行叠加处理，将包含最多样本点的分类中的最小信息量值作为阈值；
扩充点集模块，用于将信息量值大于阈值的栅格点作为预备扩充点集；
扩充点选取模块，用于利用种子点生长方法，选取预备扩充点集中满足地质约束、空间上满足分布要求的空间最邻近点作为扩充点，构建成矿预测模型所需训练样本集。
本发明实施例所述系统可实现前文所述基于信息量增加成矿预测模型训练样本的方法，在此不作赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种利用信息量扩充成矿预测训练正样本的方法，其特征在于，所述方法包括以下操作：
对参与成矿预测的多维数据进行标准化和离散化处理，获得栅格数据；
计算多维数据不同类别所对应的信息量值，并计算每个栅格点的信息量值；
利用可视化工具和直方图对栅格点信息量值进行分类，将已有正样本与栅格信息量值进行叠加处理，将包含最多样本点的分类中的最小信息量值作为阈值；
将信息量值大于阈值的栅格点作为预备扩充点集；
利用种子点生长方法，选取预备扩充点集中满足地质约束、空间上满足分布要求的空间最邻近点作为扩充点，构建成矿预测模型所需训练样本集。
2.根据权利要求1所述的一种利用信息量扩充成矿预测训练正样本的方法，其特征在于，所述信息量值的计算如下：
Figure FDA0004094364860000011
I为信息量值。
3.根据权利要求1所述的一种利用信息量扩充成矿预测训练正样本的方法，其特征在于，所述标准化具体为统一坐标系以及统一比例尺，所述离散化处理为将矢量数据转化为栅格数据，同一空间位置的不同参数离散化后的栅格点具有相同的坐标。
4.根据权利要求1所述的一种利用信息量扩充成矿预测训练正样本的方法，其特征在于，所述多维数据包括地质、物探、化探、遥感数据。
5.一种利用信息量扩充成矿预测训练正样本的系统，其特征在于，所述系统包括：
数据预处理模块，用于对参与成矿预测的多维数据进行标准化和离散化处理，获得栅格数据；
信息量计算模块，用于计算多维数据不同类别所对应的信息量值，并计算每个栅格点的信息量值；
阈值确定模块，用于利用可视化工具和直方图对栅格点信息量值进行分类，将已有正样本与栅格信息量值进行叠加处理，将包含最多样本点的分类中的最小信息量值作为阈值；
扩充点集模块，用于将信息量值大于阈值的栅格点作为预备扩充点集；
扩充点选取模块，用于利用种子点生长方法，选取预备扩充点集中满足地质约束、空间上满足分布要求的空间最邻近点作为扩充点，构建成矿预测模型所需训练样本集。
6.根据权利要求5所述的一种利用信息量扩充成矿预测训练正样本的系统，其特征在于，所述信息量值的计算如下：
Figure FDA0004094364860000021
I为信息量值。
7.根据权利要求5所述的一种利用信息量扩充成矿预测训练正样本的系统，其特征在于，所述标准化具体为统一坐标系以及统一比例尺，所述离散化处理为将矢量数据转化为栅格数据，同一空间位置的不同参数离散化后的栅格点具有相同的坐标。
8.根据权利要求5所述的一种利用信息量扩充成矿预测训练正样本的系统，其特征在于，所述多维数据包括地质、物探、化探、遥感数据。
CN202210916376.1A 2022-08-01 2022-08-01 一种利用信息量扩充成矿预测训练正样本的方法及系统 Active CN115272798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210916376.1A CN115272798B (zh) 2022-08-01 2022-08-01 一种利用信息量扩充成矿预测训练正样本的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210916376.1A CN115272798B (zh) 2022-08-01 2022-08-01 一种利用信息量扩充成矿预测训练正样本的方法及系统

Publications (2)

Publication Number Publication Date
CN115272798A CN115272798A (zh) 2022-11-01
CN115272798B true CN115272798B (zh) 2023-05-26

Family

ID=83747121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210916376.1A Active CN115272798B (zh) 2022-08-01 2022-08-01 一种利用信息量扩充成矿预测训练正样本的方法及系统

Country Status (1)

Country Link
CN (1) CN115272798B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117351240B (zh) * 2023-10-12 2024-04-09 北京卓视智通科技有限责任公司 一种正样本采样方法、系统、存储介质和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859811A (zh) * 2020-07-30 2020-10-30 中国地质科学院矿产资源研究所 一种基于模糊逻辑和机器学习的成矿预测方法及系统
CN112380674A (zh) * 2020-10-27 2021-02-19 核工业北京地质研究院 一种基于数字地质模型的矿床预测方法
CN112464479A (zh) * 2020-11-30 2021-03-09 核工业北京地质研究院 一种基于gocad的三维成矿预测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100465998C (zh) * 2007-04-29 2009-03-04 中国地质大学（北京） 基于三维建模的立方体预测模型找矿方法
CN108959305A (zh) * 2017-05-22 2018-12-07 北京国信宏数科技有限公司 一种基于互联网大数据的事件抽取方法及系统
CN110334882A (zh) * 2019-07-17 2019-10-15 中国地质大学（北京） 一种隐伏矿体定量预测方法及装置
AU2020103098A4 (en) * 2020-10-29 2021-01-07 China University Of Geosciences (Beijing) Ore prospecting prediction method of nonlinear discrete speculation model

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859811A (zh) * 2020-07-30 2020-10-30 中国地质科学院矿产资源研究所 一种基于模糊逻辑和机器学习的成矿预测方法及系统
CN112380674A (zh) * 2020-10-27 2021-02-19 核工业北京地质研究院 一种基于数字地质模型的矿床预测方法
CN112464479A (zh) * 2020-11-30 2021-03-09 核工业北京地质研究院 一种基于gocad的三维成矿预测方法及系统

Also Published As

Publication number Publication date
CN115272798A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Yousefi et al. Application of staged factor analysis and logistic function to create a fuzzy stream sediment geochemical evidence layer for mineral prospectivity mapping
Bigdeli et al. Application of self-organizing map (SOM) and K-means clustering algorithms for portraying geochemical anomaly patterns in Moalleman district, NE Iran
Carranza et al. Selection of coherent deposit-type locations and their application in data-driven mineral prospectivity mapping
Maepa et al. Support vector machine and artificial neural network modelling of orogenic gold prospectivity mapping in the Swayze greenstone belt, Ontario, Canada
Zhang et al. Integration of auto-encoder network with density-based spatial clustering for geochemical anomaly detection for mineral exploration
Li et al. Prospectivity mapping for tungsten polymetallic mineral resources, Nanling metallogenic belt, south China: Use of random forest algorithm from a perspective of data imbalance
Zou et al. Gradient boosting decision tree for lithology identification with well logs: A case study of zhaoxian gold deposit, shandong peninsula, China
Ghezelbash et al. An improved data-driven multiple criteria decision-making procedure for spatial modeling of mineral prospectivity: adaption of prediction–area plot and logistic functions
Rajabinasab et al. Geometallurgical domaining by cluster analysis: Iron ore deposit case study
Saljoughi et al. A comparative analysis of artificial neural network (ANN), wavelet neural network (WNN), and support vector machine (SVM) data-driven models to mineral potential mapping for copper mineralizations in the Shahr-e-Babak region, Kerman, Iran
Yang et al. Applications of data augmentation in mineral prospectivity prediction based on convolutional neural networks
Hood et al. Linking protolith rocks to altered equivalents by combining unsupervised and supervised machine learning
CN115272798B (zh) 一种利用信息量扩充成矿预测训练正样本的方法及系统
Ghezelbash et al. Incorporating the genetic and firefly optimization algorithms into K-means clustering method for detection of porphyry and skarn Cu-related geochemical footprints in Baft district, Kerman, Iran
Liu et al. Developments in quantitative assessment and modeling of mineral resource potential: an overview
Lu et al. Lithology identification using graph neural network in continental shale oil reservoirs: A case study in Mahu Sag, Junggar Basin, Western China
Ding et al. Siamese network based prospecting prediction method: A case study from the Au deposit in the Chongli mineral concentrate area in Zhangjiakou, Hebei Province, China
CN114997501A (zh) 基于样本失衡的深度学习矿产资源分类预测方法及系统
Ghannadpour et al. Investigation of Cu, Mo, Pb, and Zn geochemical behavior and geological interpretations for Parkam porphyry copper system, Kerman, Iran
Yasin et al. Automatic pore structure analysis in organic-rich shale using FIB-SEM and attention U-Net
Chen et al. Identification of architectural elements based on SVM with PCA: A case study of sandy braided river reservoir in the Lamadian Oilfield, Songliao Basin, NE China
CN117216576A (zh) 一种基于高斯混合聚类分析的石墨金矿找矿方法
Olmos-de-Aguilera et al. Error reduction in long-term mine planning estimates using deep learning models
Chen et al. Metallogenic prediction based on fractal theory and machine learning in Duobaoshan Area, Heilongjiang Province
Hajihosseinlou et al. A comprehensive evaluation of OPTICS, GMM and K-means clustering methodologies for geochemical anomaly detection connected with sample catchment basins

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant