耦合PCA-SVM算法的金矿矿床规模预测分析研究

论文摘要

判断矿床（点）的类型是矿床勘探中的重要内容,传统预测金矿成矿规模的方法不仅耗时耗力,而且所需的经济成本较大。为提高矿床规模的勘探效率和准确度,揭示元素与金矿成矿规模的潜在联系,文中提出了耦合主成分分析（principal component analysis,PCA）和支持向量机（support vector machine,SVM）算法的预测分析PCA-SVM（principal component analysis-support vector machine）方法。该方法先通过主成分分析提取数据中的主要特征,再将主要特征带入支持向量机算法,从而训练出最优分类器以预测金矿成矿规模。文中共使用了3 812个金矿样本数据用于学习训练和预测分析,训练准确率为92.3%,测试准确率为88.7%,分别比直接使用支持向量机算法高出14.3%和17.1%。基于PCA-SVM的预测模型,不仅消除了人为主观因素的影响,而且有效提高了勘探过程中矿床预测的准确率和矿床勘探的效率,为地质勘查工作提供依据。

论文目录

• 0 引言
• 1 PCA-SVM耦合预测分析方法
•   1.1 主成分分析算法
•   1.2 支持向量机算法
•   1.3 PCA-SVM耦合算法
• 2 数据处理
•   2.1 数据集
•   2.2 预处理
• 3 实验结果及分析
•   3.1 SVM算法结果
•   3.2 PCA-SVM算法结果
•   3.3 对比分析
• 4 结论

文章来源

类型: 期刊论文

作者: 刘承照,韩帅,李明超,朱月琴

关键词: 金矿矿床,规模预测,主成分分析,支持向量机,耦合算法

来源: 地学前缘 2019年04期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 地质学,矿业工程

单位: 天津大学水利工程仿真与安全国家重点实验室,中国地质调查局发展研究中心,自然资源部地质信息技术重点实验室

基金: 天津市杰出青年科学基金项目(17JCJQJC44000),国家优秀青年科学基金项目(51622904),国家重点研发计划项目(2016YFC0600510)

分类号: P618.51

DOI: 10.13745/j.esf.sf.2019.7.7

页码: 138-145

总页数: 8

文件大小: 409K

下载量: 212