[發明專利]基于空間約束多自編碼器的多元地球化學異常識別方法

有效

• 申請號: 201710911714.1
• 申請日: 2017-09-29
• 公開（公告）號: CN107798340B
• 公開（公告）日: 2018-10-26
• 發明（設計）人: 關慶鋒;陳麗蓉
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 付春霞

本發明公開了基于空間約束多自編碼器的多元地球化學異常識別方法，包括以下步驟：數據聚類；空間域劃分；自監督學習；異常值計算；異常地圖生成。本發明將多元數據聚類、空間濾波與自編碼神經網絡結合，兼顧多種地球化學元素間的復雜關系和空間分布特征，從而有效提高化探異常識別的精確性，為復雜地質條件下利用多元化探數據進行異常識別提供了較為實用可靠的科學方法。

技術領域

本發明涉及地球化探異常識別領域、人工智能應用領域，尤其涉及一種基于空間約束多自編碼器的多元地球化學異常識別方法。

背景技術

地球化探異常識別是礦產勘探的重要工作之一，地質學家將化探異常與其他地質信息結合進行綜合判斷來尋找潛在礦田。基于頻域的異常識別法被廣泛使用，如箱線圖法、均值法、多元數據分析法等。但這些方法缺少考慮地球化學數據的一個重要特征---地球化學場的空間性。分形/多重分形、克里金方法、奇異值方法、空間因素分析法、趨勢面法等考慮了空間近鄰樣本的相關性，在化探異常識別領域有突出表現。隨著人工智能領域的技術發展和機器學習的廣泛應用，神經網絡對深層次隱含結構特征的學習能力使其在化探異常識別領域引起了廣泛關注。已有的研究表明，深度玻爾茲曼、深度置信網絡等神經網絡模型在復雜地質環境的異常識別中表現不俗。然而，由于基于單一神經網絡模型的化探異常識別方法缺乏考慮區域范圍的地球化學背景差異，不能因地制宜地區分空間差異，造成模型參數訓練難度較大，對包含弱異常的潛在礦產資源區域識別準確率低。總之，目前缺乏綜合考慮地球化學背景空間差異、數據非正態分布、以及多化學元素非線性關系的化探異常識別方法。

發明內容

有鑒于此，本發明的實施例提供了一種以實現復雜地質環境下的多元化探異常識別，為區域性找礦、圈定潛在含礦單元提供技術支持的基于空間約束多自編碼器的多元地球化學異常識別方法。

本發明的實施例提供基于空間約束多自編碼器的多元地球化學異常識別方法，包括以下步驟：

步驟1.數據聚類，即通過對多元化探樣本數據進行歸一化和聚類，生成多個樣本組；

步驟2.空間域劃分，即根據樣本組的地理空間分布，利用中值濾波和空間約束規則消除碎片，生成多個空間域；

步驟3.自監督學習，即針對每個空間域，利用多個結構特征不同的自編碼器組件構建多自編碼器神經網絡模型(Multi-Auto-Encoder,MAE)，并利用相應空間域內的樣本數據進行訓練，選取誤差最小的自編碼器作為該空間域的最優模型；

步驟4.異常值計算，即計算每個化探樣本原始數據與相應空間域最優自編碼器輸出值之間的歐式距離；

步驟5.異常地圖生成，即將樣本異常值映射到樣本所在地理位置，反映化探異常的地理空間分布。

進一步，所述步驟1中，分析不同聚類因素對化探樣本數據聚類結果的影響，并查看不同聚類因素條件下的聚類結果是否在空間分布上具有差異。

進一步，所述聚類因素包括聚類數、聚類方法和相似性度量方式，所述聚類方法為無監督方法，所述聚類方法包括K-means方法和SOM方法。

進一步，所述步驟2的具體步驟為：

步驟2.1.利用圓形窗口的中值濾波方法對聚類結果進行濾波，并多次迭代，直至各個樣本組再不發生明顯變化；

步驟2.2.設定空間約束規則，并利用空間約束規則進一步優化樣本組劃分；

步驟2.3.將屬于同組但空間分離的樣本塊劃分為獨立樣本組，最終生成的多個樣本組，在地理空間上的表現為多個相互獨立且各自內部連續的區塊，即空間域。