本发明提出了一种基于样本失衡的深度学习矿产资源分类预测方法及系统,本发明将研究区分为矿床区、成矿远景区和背景区,若成矿远景区中存在化探数据异常的区域,则能够间接说明该区域具有较高的矿化概率且表现出与已知矿床的化探数据特征相似性更高。利用深度学习的方式来分析并确定成矿远景区内化探数据异常的区域,然后将已知矿床区和所得化探异常区两者的空间数据特征视为神经网络的学习对象,用于习得化探数据与矿化之间的客观规律。为了防止神经网络对背景区的空间数据特征过拟合等问题,引入损失权重和惩罚损失对传统的交叉熵损失函数做出改进。本发明能够在较少的矿靶区地球化学数据中找出矿化规律以在新的地球化学数据中预测矿化概率。
声明:
“基于样本失衡的深度学习矿产资源分类预测方法及系统” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)