CN116466408A - 一种基于航磁数据的人工神经网络超基性岩识别方法 - Google Patents
一种基于航磁数据的人工神经网络超基性岩识别方法 Download PDFInfo
- Publication number
- CN116466408A CN116466408A CN202310391063.3A CN202310391063A CN116466408A CN 116466408 A CN116466408 A CN 116466408A CN 202310391063 A CN202310391063 A CN 202310391063A CN 116466408 A CN116466408 A CN 116466408A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- artificial neural
- superbase
- rock
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011435 rock Substances 0.000 claims abstract description 97
- 239000004032 superbase Substances 0.000 claims abstract description 67
- 150000007525 superbases Chemical class 0.000 claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/15—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat
- G01V3/16—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat specially adapted for use from aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供了一种基于航磁数据的人工神经网络超基性岩识别方法,包括:获取超基性岩在已知区域和待测区域的航磁数据,并分别将其航磁异常化极计算得到的化极磁异常、剩余磁异常、以及相应的垂向一阶导数、解析信号振幅对应的特征数据通过数据标准化,得到超基性岩在已知区域分布的参考集,以及待测区域的预测集;根据超基性岩在已知区域的分布并结合参考集制定样本集,构建人工神经网络初始模型进行学习训练,得到人工神经网络预测模型;利用人工神经网络预测模型对预测集进行计算处理,分析待测区域超基性岩的分布情况。该方法可充分利用航磁数据进行特征提取,提高分析计算的准确性、稳定性,以及对超基性岩识别、解释的效率和客观性。
Description
技术领域
本申请涉及航磁数据解释技术领域,具体涉及一种基于航磁数据的人工神经网络超基性岩识别方法。
背景技术
铜、镍矿是国家紧缺战略性矿产资源,超基性岩体是铜、镍矿的重要成矿地质体,航磁法是探测超基性岩体的有效方法,但是如何依据航磁数据快速自动识别和圈定超基性岩体(尤其是隐伏岩体)是该领域的难题。超基性岩分布的识别和圈定是根据其物理性质,在观测或采集数据的基础上根据地质认识经验,对研究区的超基性岩分布情况进行定性和划分的地球物理解释方法。张志厚等在《基于深度学习的位场边界识别方法》(地球物理学报,2022,65(5):1785-1801)中验证了人工智能方法对于重磁位场数据边界识别的有效性,但该方法未涉及到岩体圈定方法。目前实际工作中,超基性岩识别和圈定主要以人工操作为主,解释人员依据地球物理数据异常特征,以地质认识经验为标准划分超基性岩,使得该过程对解释人员的经验依赖性太强;且由于其主观性,相同数据在不同经验程度的人为解释下,结果也会存在差异性;同时,地球物理数据包含了由浅到深的地下信息,由于浅表信息幅值高、范围大,如果没有有效的深部弱信息提取过程,很容易忽略深部岩体所引起的异常,造成超基性岩识别和圈定的准确性下降,难以对深部岩体产生新的认识。
因此,对于航磁数据采用人工经验方法来识别、圈定超基性岩所存在的不足和缺陷,亟需开发出一种客观性程度更高、数据分辨能力更优、抗干扰能力和稳定性更强的岩体识别方法,以解决在超基性岩识别、圈定过程中因个体经验不同而造成的结果差异和效率受制约的问题,同时解决原始数据分辨能力不足和深部信息缺失的问题。
发明内容
为了解决现有通过航磁数据对超基性岩识别、圈定过程中存在准确性、客观性和稳定性不足的问题,本申请提供一种基于航磁数据的人工神经网络超基性岩识别方法,可以充分利用航磁数据对相应超基性岩高磁性特征的反映,通过数据处理转换和标准化过程,有效完成深部岩体弱信息异常特征提取,避免产生原始数据分辨能力不足和深部岩体信息缺失的问题,增强分析计算的稳定性和抗干扰能力,同时提高对超基性岩识别、解释的效率和客观性。
本申请解决其技术问题所采用的技术方案是:一种基于航磁数据的人工神经网络超基性岩识别方法,用于对待测区域的超基性岩进行识别和圈定,包括:
获取超基性岩在已知区域和待测区域的航磁数据,并分别将其航磁异常化极计算得到的化极磁异常、对化极磁异常位场分离得到的剩余磁异常、以及相应的垂向一阶导数、解析信号振幅对应的特征数据通过数据标准化,得到超基性岩在已知区域分布的参考集,以及待测区域的预测集;
根据超基性岩在已知区域的分布并结合参考集制定样本集,构建人工神经网络初始模型进行学习训练,得到人工神经网络预测模型;
利用人工神经网络预测模型对预测集进行计算处理,分析待测区域超基性岩的分布情况。
在一种具体的实施方案中,所述数据标准化方法为升半柯西分布标准化,其计算公式为:
其中:X为特征数据,Y为标准化后的数据;a为数据下限,m为数据上限;当特征数据的值不高于数据下限a,则标准化后的数据赋值为0;当特征数据的值不低于数据上限m,则标准化后的数据赋值为1;c为计算的阶次,1.0≤c≤1.2;b为计算的截距,b=(m-a)c/2。
在一种具体的实施方案中,所述数据下限a和数据上限m的确定方法是:将特征数据的分布范围进行分组,统计相应组对应范围所分布的特征数据点数,得到特征数据分布曲线,通过差商法求取特征数据分布曲线的梯度曲线,所述梯度曲线的极大值对应的特征数据为数据下限a,极小值对应的特征数据为数据上限m。
在一种具体的实施方案中,根据超基性岩在已知区域的分布并结合参考集制定样本集时,将已知区域区分为超基性岩和非超基性岩,并与参考集中的数据标准化结果相结合以制定样本集。
在一种具体的实施方案中,所述样本集包含用于人工神经网络初始模型学习训练的训练集,以及用于衡量人工神经网络预测模型的预测精度和性能的测试集。
在一种具体的实施方案中,所述人工神经网络预测模型对预测集进行计算处理时,得到超基性岩在待测区域相应点位上分布的概率值。
在一种具体的实施方案中,通过设定概率阈值对超基性岩在待测区域相应点位上分布的概率值进行划分,以获取超基性岩在待测区域的圈定结果。
在一种具体的实施方案中,所述人工神经网络初始模型的学习训练中采用损失函数来进行模型优化,所述损失函数包括对数交叉熵损失函数;所述人工神经网络初始模型的优化方法包括Adam优化算法。
在一种具体的实施方案中,所述人工神经网络预测模型对测试集的预测精度和性能的衡量指标包括混淆矩阵计算的精度、召回率和F1分数。
在一种具体的实施方案中,所述人工神经网络预测模型至少包括有输入层、中间层和输出层。
本申请的优点是:
1、基于航磁数据的人工神经网络超基性岩识别方法充分利用航磁数据对超基性岩高磁性特征的反映,通过数据处理转换和标准化处理,实现对岩体深部弱信息异常特征提取,解决了原始数据分辨能力不足和深部信息缺失的问题,同时提高了计算的稳定性和抗干扰能力。
2、基于航磁数据的人工神经网络超基性岩识别方法的计算过程以航空磁测的客观数据为基础,可有效减少因个体经验差异对识别结果造成的影响,通过将相关预测结果提供给地质人员,提高对超基性岩的识别和圈定的客观性、以及识别分析工作效率。
3、基于航磁数据的人工神经网络超基性岩识别方法对相关特征数据通过升半柯西分布标准化计算,能够将数据范围进行统一化,消除量纲的同时有助于提高机器学习的收敛速度,而且能够有效提取原始数据中高值和低值的分布特征,增强对岩体深部弱信息的获取能力。
4、基于航磁数据的人工神经网络超基性岩识别方法通过人工神经网络技术,以已知区域中的超基性岩分布数据作为样本集,并进一步构建训练集和测试集,通过训练学习得到人工神经网络预测模型来计算分析待测区域超基性岩分布的概率值,以概率阈值圈定超基性岩的分布范围,从而提高计算的准确性和超基性岩识别分析的实用性。
附图说明
图1为本申请的一种基于航磁数据的人工神经网络超基性岩识别方法流程示意图;
图2为本申请的一种基于航磁数据的人工神经网络超基性岩识别方法的升半柯西标准化计算过程中的数据分布示意图;
图3为本申请的一种基于航磁数据的人工神经网络超基性岩识别方法识别出的超基性岩分布结果示意图。
具体实施方式
本申请实施例通过提供一种基于航磁数据的人工神经网络超基性岩识别方法,解决现有通过航磁数据对超基性岩识别、圈定过程中存在准确性、客观性和稳定性不足的问题,总体思路如下:
请参阅图1,本申请提供一种基于航磁数据的人工神经网络超基性岩识别方法,用于对待测区域的超基性岩进行识别和圈定,其特征在于,包括:获取超基性岩在已知区域和待测区域的航磁数据,并分别将其航磁异常化极计算得到的化极磁异常、对化极磁异常位场分离得到的剩余磁异常、以及相应的垂向一阶导数、解析信号振幅对应的特征数据通过数据标准化,得到超基性岩在已知区域分布的参考集,以及待测区域的预测集;根据超基性岩在已知区域的分布并结合参考集制定样本集,构建人工神经网络初始模型进行学习训练,得到人工神经网络预测模型;利用人工神经网络预测模型对预测集进行计算处理,分析待测区域超基性岩的分布情况。通过原始航磁异常化极计算得到化极磁异常,对化极磁异常进行位场分离得到剩余磁异常,可消除未化极磁数据的斜磁化影响以及大尺度区域场影响,提高数据特征提取的准确性。通过对化极磁异常和剩余磁异常分别进行导数计算,得到各自的垂向一阶导数(VDR)和解析信号振幅(ASM),可提取磁异常中的高频信号,以反映深层特征,同时提高异常数据的分辨率。通过对超基性岩在已知区域和待测区域采用同样的数据处理方法,保证样本集和预测集的特征向量一致,且都进行了有效的特征数据提取和数据标准化过程,保证了人工神经网络预测模型对待测区域的预测准确性。
本例中,识别、圈定的岩体为超基性岩,请参阅图2,本实施例数据标准化方法为升半柯西分布标准化,其计算公式为:
其中:X为特征数据,Y为标准化后的数据;a为数据下限,m为数据上限;当特征数据的值不高于数据下限a,则标准化后的数据赋值为0;当特征数据的值不低于数据上限m,则标准化后的数据赋值为1;c为计算的阶次,1.0≤c≤1.2;b为计算的截距,b=(m-a)c/2。数据下限a和数据上限m的确定方法是:将特征数据的分布范围进行分组,例如按照由高到低排序分为100组,统计相应组对应范围所分布的特征数据点数,得到特征数据分布曲线,通过差商法求取特征数据分布曲线的梯度曲线,梯度曲线的极大值对应的特征数据为数据下限a,极小值对应的特征数据为数据上限m。通过该步骤,能够将相关特征数据范围归为统一,例如0~1的范围,在消除量纲的同时能够提高机器学习的收敛速度,而且能够提取原始数据高值和低值分布的特征,有效增强对深部弱信息的识别和获取能力。
根据超基性岩在已知区域的分布并结合参考集制定样本集时,将已知区域区分为超基性岩和非超基性岩,例如,可根据已知区域的地质图,对已知区域超基性岩位置设定标签为1,非超基性岩位置设定标签为0,并与参考集中的数据标准化结果相结合以制定样本集。通过利用已知区域出露地表的超基性岩的分布数据特征,作为机器学习的样本,通过人工神经网络技术对相应模型进行机器学习训练,构建对超基性岩由已知区域到未知区域的分布识别方法。优选地,样本集包含用于人工神经网络初始模型学习训练的训练集,以及用于衡量人工神经网络预测模型的预测精度和性能的测试集,例如,可将样本集随机均匀分80%作为训练集,20%作为测试集,通过将训练集和测试集分开,目的是能够保证衡量模型性能的测试集从未参与任何训练过程,提高预测精度和衡量标准的可靠性。
进一步地,本实施例人工神经网络初始模型及预测模型为三层全连接模型,包括输入层、中间层和输出层。输入层神经单元与训练集的特征向量个数一致,例如本例为6个,中间层的神经元为20个,输出层神经元为1个,即预测的待测区域相应点位上的超基性岩分布概率值。输入层和中间层间的激活函数为ReLU函数,中间层和输出层间的激活函数为sigmoid函数。输入层神经元个数与预测目标一致,且简化模型结构,减少过拟合的情况,计算效率高、稳定性强。通过对人工神经网络初始模型相关参数赋初值,将训练集输入模型进行学习训练,实现对模型的优化,训练模型的损失函数为对数交叉熵损失函数,优化方法可采用Adam优化算法,以保证训练模型过程中的计算准确性和效率,得到合适的人工神经网络预测模型。本例中,通过测试集衡量人工神经网络预测模型的预测精度和性能,具体的衡量指标包括混淆矩阵计算的精度、召回率和F1分数,通过有已知标签且未参与任何训练过程的测试集的计算结果进行验证,可有效衡量人工神经网络预测模型的计算效果。
本例中,人工神经网络预测模型对预测集进行计算处理时,得到超基性岩在待测区域相应点位上分布的概率值,例如预测结果范围为0~1,从而能够量化待测区域内每一点位超基性岩的分布概率,并通过设定概率阈值对超基性岩在待测区域相应点位上分布的概率值进行划分,以获取超基性岩在待测区域的圈定结果,例如概率阈值选择为0.4~0.6,根据待测区域超基性岩分布概率值的高低,结合待测区域的超基性岩识别目标,得到基于人工神经网络自动识别的超基性岩圈定结果。
具体地,在使用过程中,需识别和圈定的岩体为超基性岩,可按如下步骤:
(1)获取超基性岩在已知区域的航磁数据,将航磁异常化极计算得到化极磁异常,对化极磁异常位场分离得到剩余磁异常;
(2)将超基性岩在已知区域的化极磁异常和剩余磁异常进行导数计算,得到各自的垂向一阶导数(VDR)和解析信号振幅(ASM);具体地,通过对原始航磁数据进行化极、位场分离、求导数的处理和转换,得到特征提取的化极磁异常、剩余磁异常以及该两类数据的一阶导数(VDR)和解析信号振幅(ASM)结果;
(3)将超基性岩在已知区域的化极磁异常、剩余磁异常及两类数据的垂向一阶导数(VDR)和解析信号振幅(ASM)对应的特征数据分别进行升半柯西分布标准化计算,得到超基性岩在已知区域分布的参考集;
(4)对该已知区域的超基性岩和非超基性岩的分布进行提取,并通过标签进行区分:超基性岩位置的标签为1,非超基性岩位置的标签为0;
(5)将超基性岩在已知区域的标准化计算得到的参考集结合超基性岩分布位置标签构建样本集;
(6)样本集随机均匀分80%作为训练集,20%作为测试集;
(7)搭建人工神经网络初始模型,对模型参数赋初值;
(8)将训练集输入人工神经网络初始模型进行学习训练,训练模型的损失函数为对数交叉熵损失函数,优化方法为Adam优化算法,得到合适的人工神经网络预测模型;
(9)通过人工神经网络预测模型对测试集进行预测计算,衡量该模型的预测精度和性能,衡量指标包括混淆矩阵计算的精度、召回率和F1分数;
(10)获取超基性岩在待测区域的航磁数据并通过化极、位场分离、求导数等处理和转换计算,将超基性岩在待测区域的化极磁异常、剩余磁异常及该两类数据的垂向一阶导数(VDR)和解析信号振幅(ASM)对应的特征数据分别进行升半柯西分布标准化计算,得到待测区域的预测集,参与预测的磁异常数据向量类型和数量与训练集中的磁异常向量类型一致;
(11)利用训练得到的人工神经网络预测模型对预测集进行计算处理,得到待测区域超基性岩分布的概率值;
(12)通过设定概率阈值对超基性岩分布概率进行划分,得到待测区域的超基性岩的圈定结果,如图3所示,横坐标为X方向位置,纵坐标为Y方向位置,单位为m,黑色实线圈定的多边形是概率阈值设定为0.5时,基于航磁数据的人工神经网络方法圈定的超基性岩分布情况。
综上,本申请通过提供一种基于航磁数据的人工神经网络超基性岩识别方法,可以充分利用航磁数据对相应超基性岩高磁性特征的反映,通过数据处理转换和标准化过程,有效完成深部岩体弱信息异常特征提取,避免产生原始数据分辨能力不足和深部岩体信息缺失的问题,增强分析计算的稳定性和抗干扰能力,同时提高对超基性岩识别、解释的效率和客观性。
最后应说明的是:显然,上述实施例仅是为清楚地说明本申请所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本申请的保护范围之中。
Claims (10)
1.一种基于航磁数据的人工神经网络超基性岩识别方法,用于对待测区域的超基性岩进行识别和圈定,其特征在于,包括:
获取超基性岩在已知区域和待测区域的航磁数据,并分别将其航磁异常化极计算得到的化极磁异常、对化极磁异常位场分离得到的剩余磁异常、以及相应的垂向一阶导数、解析信号振幅对应的特征数据通过数据标准化,得到超基性岩在已知区域分布的参考集,以及待测区域的预测集;
根据超基性岩在已知区域的分布并结合参考集制定样本集,构建人工神经网络初始模型进行学习训练,得到人工神经网络预测模型;
利用人工神经网络预测模型对预测集进行计算处理,分析待测区域超基性岩的分布情况。
2.如权利要求1所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,所述数据标准化方法为升半柯西分布标准化,其计算公式为:
其中:X为特征数据,Y为标准化后的数据;a为数据下限,m为数据上限;当特征数据的值不高于数据下限a,则标准化后的数据赋值为0;当特征数据的值不低于数据上限m,则标准化后的数据赋值为1;c为计算的阶次,1.0≤c≤1.2;b为计算的截距,b=(m-a)c/2。
3.如权利要求2所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,所述数据下限a和数据上限m的确定方法是:将特征数据的分布范围进行分组,统计相应组对应范围所分布的特征数据点数,得到特征数据分布曲线,通过差商法求取特征数据分布曲线的梯度曲线,所述梯度曲线的极大值对应的特征数据为数据下限a,极小值对应的特征数据为数据上限m。
4.如权利要求3所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,根据超基性岩在已知区域的分布并结合参考集制定样本集时,将已知区域区分为超基性岩和非超基性岩,并与参考集中的数据标准化结果相结合以制定样本集。
5.如权利要求1-4中任一项所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,所述样本集包含用于人工神经网络初始模型学习训练的训练集,以及用于衡量人工神经网络预测模型的预测精度和性能的测试集。
6.如权利要求5所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,所述人工神经网络预测模型对预测集进行计算处理时,得到超基性岩在待测区域相应点位上分布的概率值。
7.如权利要求6所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,通过设定概率阈值对超基性岩在待测区域相应点位上分布的概率值进行划分,以获取超基性岩在待测区域的圈定结果。
8.如权利要求7所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,所述人工神经网络初始模型的学习训练中采用损失函数来进行模型优化,所述损失函数包括对数交叉熵损失函数;所述人工神经网络初始模型的优化方法包括Adam优化算法。
9.如权利要求8所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,所述人工神经网络预测模型对测试集的预测精度和性能的衡量指标包括混淆矩阵计算的精度、召回率和F1分数。
10.如权利要求6-9中任一项所述的一种基于航磁数据的人工神经网络超基性岩识别方法,其特征在于,所述人工神经网络预测模型至少包括有输入层、中间层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391063.3A CN116466408B (zh) | 2023-04-13 | 2023-04-13 | 一种基于航磁数据的人工神经网络超基性岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391063.3A CN116466408B (zh) | 2023-04-13 | 2023-04-13 | 一种基于航磁数据的人工神经网络超基性岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116466408A true CN116466408A (zh) | 2023-07-21 |
CN116466408B CN116466408B (zh) | 2024-01-23 |
Family
ID=87172967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391063.3A Active CN116466408B (zh) | 2023-04-13 | 2023-04-13 | 一种基于航磁数据的人工神经网络超基性岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466408B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077016A (zh) * | 2023-08-17 | 2023-11-17 | 中国自然资源航空物探遥感中心 | 基于航空磁放数据的支持向量机超基性岩识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944905A (zh) * | 2012-11-12 | 2013-02-27 | 中国科学院地质与地球物理研究所 | 一种基于方向小波分析的重磁异常处理方法 |
CN111522069A (zh) * | 2020-05-15 | 2020-08-11 | 核工业航测遥感中心 | 玄武岩覆盖区玄武岩通道解释方法 |
CN111596373A (zh) * | 2020-07-20 | 2020-08-28 | 核工业航测遥感中心 | 快速寻找隐伏中低温热液型铜多金属矿方法 |
CN113484919A (zh) * | 2021-06-30 | 2021-10-08 | 长江大学 | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 |
US20210372793A1 (en) * | 2020-05-31 | 2021-12-02 | The Research Foundation For The State University Of New York | System and method for unmanned aerial vehicle-based magnetic survey |
CN113866836A (zh) * | 2021-11-23 | 2021-12-31 | 重庆大学 | 一种基于归一化磁异常导数标准差的多目标边界识别方法 |
CN114879263A (zh) * | 2022-04-11 | 2022-08-09 | 中国地质大学(武汉) | 基于卷积神经网络的三维磁张量梯度反演方法及装置 |
CN115236755A (zh) * | 2022-07-25 | 2022-10-25 | 中国自然资源航空物探遥感中心 | 基于张量特征值的航磁异常边界检测方法、装置 |
CN115423004A (zh) * | 2022-08-22 | 2022-12-02 | 西南交通大学 | 一种低纬度磁异常的化极方法 |
-
2023
- 2023-04-13 CN CN202310391063.3A patent/CN116466408B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944905A (zh) * | 2012-11-12 | 2013-02-27 | 中国科学院地质与地球物理研究所 | 一种基于方向小波分析的重磁异常处理方法 |
CN111522069A (zh) * | 2020-05-15 | 2020-08-11 | 核工业航测遥感中心 | 玄武岩覆盖区玄武岩通道解释方法 |
US20210372793A1 (en) * | 2020-05-31 | 2021-12-02 | The Research Foundation For The State University Of New York | System and method for unmanned aerial vehicle-based magnetic survey |
CN111596373A (zh) * | 2020-07-20 | 2020-08-28 | 核工业航测遥感中心 | 快速寻找隐伏中低温热液型铜多金属矿方法 |
CN113484919A (zh) * | 2021-06-30 | 2021-10-08 | 长江大学 | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 |
CN113866836A (zh) * | 2021-11-23 | 2021-12-31 | 重庆大学 | 一种基于归一化磁异常导数标准差的多目标边界识别方法 |
CN114879263A (zh) * | 2022-04-11 | 2022-08-09 | 中国地质大学(武汉) | 基于卷积神经网络的三维磁张量梯度反演方法及装置 |
CN115236755A (zh) * | 2022-07-25 | 2022-10-25 | 中国自然资源航空物探遥感中心 | 基于张量特征值的航磁异常边界检测方法、装置 |
CN115423004A (zh) * | 2022-08-22 | 2022-12-02 | 西南交通大学 | 一种低纬度磁异常的化极方法 |
Non-Patent Citations (4)
Title |
---|
XIUHE GAO等: "The Estimation of Magnetite Prospective Resources Based on Aeromagnetic Data: A Case Study of Qihe Area, Shandong Province, China", REMOTE SENSING * |
丁文祥;袁峰;李晓晖;孙维安;刘光贤;杨迪;: "基于重磁联合反演的宁芜盆地钟姑矿田深部地质结构解析及成矿预测", 地质学报, no. 11 * |
任政勇等: "重力与磁法在有色金属矿产勘探中的研究进展", 中国有色金属学报 * |
柳建新;曾礼;曾凡勇;张翔宇;邱杰;: "地面高精度磁测在地质填图中的应用研究――以缅甸马圭省额佩铬铁矿区为例", 工程地球物理学报, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077016A (zh) * | 2023-08-17 | 2023-11-17 | 中国自然资源航空物探遥感中心 | 基于航空磁放数据的支持向量机超基性岩识别方法 |
CN117077016B (zh) * | 2023-08-17 | 2024-03-19 | 中国自然资源航空物探遥感中心 | 基于航空磁放数据的支持向量机超基性岩识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116466408B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110263846A (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN108932480A (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN102435910B (zh) | 基于支持向量分类的功率电子电路健康监测方法 | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN109100627A (zh) | 一种基于端到端模式的电力设备局部放电故障诊断方法 | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
CN108710777B (zh) | 基于多卷积自编码神经网络的多元化探异常识别方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
WO2019205725A1 (zh) | 一种基于电成像测井分形维数的火山岩岩性识别方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
US20230386069A1 (en) | Rock crack information identification method and system based on variational autoencoder | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN115081487A (zh) | 一种基于多域迁移学习的跨时间辐射源个体识别方法 |
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 |