地学空间变量优选中的多元分析与计算智能组合方法的研究

发布时间：2018-03-13 00:40

本文选题：地学变量优化选择　切入点：多元统计建模　出处：《吉林大学》2016年博士论文　论文类型：学位论文

【摘要】：在数学地质学及数字地质科学领域,地学变量反映了某种地质现象与过程关于时空分布的、物理的、化学的数字特征。地学变量具有时域、空域及属性三大特征,任何地质空间模型均由地学变量及其相互关系提供支撑。矿产资源预测作为数字地质科学应用的重要分支备受关注,由此形成了许多数学地质学方法与技术。地学变量及其模型研究重点集中在线性或非线性数学模型构建及其关系度量方面。地学变量的选择与赋值是数学建模的关键性工作,地学变量的原始素材来源于地质、地球物理、地球化学及遥感观测数据,但一般情况下,原始数据并不等同于地学变量,需对原始素材进行加工、改造、转换,方可成为地学变量,这实际上要求对原始数据进行精细加工与信息转换,并经一定的筛选方法使之成为模型参数。因此,对地学空间变量的优化选择、转换便成为提高矿产资源预测模型的可靠性、有效性的关键工作。综上所述,面对复杂的多元地学数据,本文从矿产资源预测模型稳定性与可靠性角度来探索地学变量的结构、关联、优化和筛选问题,主要工作是对复杂地学变量进行优化与压缩,重点研究了在空间降维范畴内的特征提取与特征选择方法,即将多元统计模型与人工智能、进化智能模型相结合,集成各自方法的优势,最终形成简约化的、精确化的空间特征变量集合,为矿产资源精细化、精准化预测提供重要的变量研究基础。具体的研究内容包括:(1)选择研究区地球化学元素观测数据及其组合异常研究作为工作对象,提取与矿产资源目标直接关联的元素变量,作为矿异常识别的直接性标志,从而确定目标变量。(2)在跨学科原始数据(地质、地球化学、地球物理、遥感等)集合中提出优选原则,构建直接参与矿产预测模型的最优变量集合。论文以吉林省白山地区1/20万比例尺金、多金属矿产资源预测为研究实例,研究成果及创新点包括:(1)主成分分析-因子分析-相关分析-BP神经网络(PCA-FA-CA-BP)混合算法1)以往对地球化学元素组合求异问题,通常使用基于主成分分析(PCA)的线性提取方法。但是在提取各个主成分时,经常会出现主成分中各个分量的载荷系数相差不大的现象,导致主成分的主要分量地质含义不明确从而提取失败。本文对传统的基于PCA模型的提取方法进行了修正,即引入因子分析和相关分析模型,通过因子分析模型变换载荷系数矩阵,对主因子中的重要分量加以识别,并利用相关分析模型分析组合中的变量间相互关系,从而对元素组合异常给予合理解译。基于PCA-FA-CA混合提取方法在白山地区水系沉积物的元素组合异常分析中,共提取出32处元素组合异常,可划分为三个带,I带元素组合以Co-Mn-Ti为主,II带元素组合以As-Au-Sb为主,III带元素组合为Cr-Ni。划分的元素组合异常带地质含义明晰且易于解译。2)传统的地球化学元素组合异常提取方法主要选择水系沉积物中元素的含量作为主要判定指标,忽略了相关的地质、岩石中地球化学元素等重要特征,而最终导致提取的元素组合异常无法直接作为典型的成矿标志。因此,本文在对水系沉积物的地球化学元素应用PCA-FA-CA线性模型求异后,提出了将地球化学组合异常作为主要输入因子,佐之以岩石地球化学元素测量、岩石中微量元素含量、地质构造参数等多元要素特征,而通过多要素特征识别异常的问题不再是单纯的水系沉积物中元素数据的线性提取问题,传统识别模型不再适用。基于以上考虑,本文构建了BP神经网络综合异常识别的非线性模型,依靠分层次网络的自学习与自适应能力,完成了地质多元要素特征到组合异常识别的非线性输入输出映射,最终识别出白山地区异常带内32处组合异常中的23处为具有一定指示意义的异常,与研究区现有矿点之间存在一定的空间相关关系,证明了PCA-FA-CA-BP混合算法的有效性,提高了地球化学元素组合异常识别的准确率。(2)信息量-数量化理论(IQ-QT)混合算法在矿产资源预测模型的地质参数变量的优化选择问题中,传统方法通常采用单一的线性模型,例如回归分析、logistic分析等方法,运算速率较高,但识别率相对较低。为此,本文构建了信息量法-数量化理论(IQ-QT)混合算法,该算法首先基于信息量模型计算各个待选变量对成矿目标的信息量值,依据信息量大小序列进行变量初步筛选;最后根据数量化理论I模型中的减少项目法,通过逐次回归的贡献度,反复引进与剔除变量,最终确定最佳变量组合。在保证同等运算速度的条件下,提高了模型的识别精度。(3)信息量-遗传算法-BP神经网络(IQ-GA-BP)混合算法为进一步提高地质变量优化选择的精度,保证矿产资源定位与定量预测模型的预测准确率,本文扩展性得构建了信息量-遗传算法-BP神经网络算法(IQ-GA-BP),该算法与IQ-QT算法的唯一不同是在地学变量的二次提取过程运用遗传算法非线性优化选择模型,意即从地学变量集合域编码映射到生物基因域,在种群逐代进化中实现最佳变量组合的快速搜索,完成最优变量集合的提取。提取地质变量后,将变量应用在吉林省白山地区的地质单元成矿远景预测模型中,将37个非模型地质单元(预测单元)划分为I级、II级和III级共三类成矿远景区,经过对现有矿化资料显示的数据分析,证明该模型的识别精度更高。
[Abstract]:......
【学位授予单位】：吉林大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：P628

【参考文献】