一种基于深度学习的地球化学数据分析方法技术

本发明专利技术公开了一种基于深度学习的地球化学数据分析方法，本发明专利技术涉及地球化学技术领域，包括数据采集、零均值化、数据白化、旋转矩阵、反演组合、应用分形理论，对采集的数据进行去零均值化处理，使得数据符合ICA假设条件，将去零均值化处理后的数据进行白化处理，得到白化矩阵W0和矢量Z＝W0X，消除各道化探元素间的二阶相关性，使得数据元素集中在高价统计量上。该基于深度学习的地球化学数据分析方法，通过借助信源按不同混合比例组合起来的多个同步观察通道，将混合信号分离开来，得到若干个相互独立的信号，分离结果一般情况是不唯一的，使得分离后的信号尽可能的接近信源信号，从而提高分析的精确度。从而提高分析的精确度。

【技术实现步骤摘要】
一种基于深度学习的地球化学数据分析方法


[0001]本专利技术涉及地球化学
，具体为一种基于深度学习的地球化学数据分析方法。

技术介绍

[0002]地球化学数据处理是化探工作中对所获得的多种元素分析数据以及量化的相关学科数据进行加工、分析、成图和解释的工作。
[0003]但是传统的地球化学数据处理方法依然会存在很大的误差，进而降低了分析精确度。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于深度学习的地球化学数据分析方法，解决了传统的地球化学数据处理方法依然会存在很大误差的问题。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于深度学习的地球化学数据分析方法，包括以下步骤：
[0006]S1、数据采集：系统对需要分析的地球化学元素数据进行采集，储存；
[0007]S2、零均值化：对采集的数据进行去零均值化处理，使得数据符合ICA假设条件；
[0008]S3、数据白化：将去零均值化处理后的数据进行白化处理，得到白化矩阵W0和矢量Z＝W0X，消除各道化探元素间的二阶相关性，使得数据元素集中在高价统计量上；
[0009]S4、旋转矩阵：通过白化处理后的数据矢量Z来求出四阶累积量矩阵Q(M)，然后根据矩阵求出旋转阵V，使得每个累计量联合对角化，得到信源信号；
[0010]S5、反演组合：通过得到的信源信号的数据反演地球化学数据的组合，然后根据能量的大小进行排序：
[0011]S6、应用分形理论：对排序的数据能量进行圈定异常浓集中心，从而确定地球化学元素综合信息。
[0012]进一步的，所述步骤S2中，ICA假设条件具体为：使得零均值化的数学模型为X(t)＝X(t)
‑
E(X(t))，令化学元素数据的矩阵X(t)为均值不为零的随机变量，X(t)＝[(X1t)，(X2t)，
…
，(X
n
t)]，X
i
(t)分别代表采集的各个元素数据，然后去除采集数据的均值，公式为
[0013]进一步的，所述步骤S4中，Q(M)为一个N阶矩阵，使得Q(M)＝Q
Z
(M
i
)，Q
Z
(M
i
)，其中Z、i＝(1,2，
…
，N)。
[0014]进一步的，所述步骤S4中，旋转阵其中B是各元素数据的矩阵。
[0015]进一步的，所述步骤S4中，信源信号公式为Y＝VW0X。
[0016]进一步的，所述步骤S5中，反演组合式为T＝
‑
0.4458a，a代表化学元素式。
[0017]有益效果
[0018]本专利技术提供了一种基于深度学习的地球化学数据分析方法，与现有技术相比具备以下有益效果：
[0019]该基于深度学习的地球化学数据分析方法，通过借助信源按不同混合比例组合起来的多个同步观察通道，将混合信号分离开来，得到若干个相互独立的信号，分离结果一般情况是不唯一的，使得分离后的信号尽可能的接近信源信号，从而提高分析的精确度。
附图说明
[0020]图1为本专利技术的分析流程示意图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]请参阅图1，本专利技术提供一种技术方案，一种基于深度学习的地球化学数据分析方法，包括以下步骤：
[0023]S1、数据采集：系统对需要分析的地球化学元素数据进行采集，储存；
[0024]S2、零均值化：对采集的数据进行去零均值化处理，使得数据符合ICA假设条件；
[0025]S3、数据白化：将去零均值化处理后的数据进行白化处理，得到白化矩阵W0和矢量Z＝W0X，消除各道化探元素间的二阶相关性，使得数据元素集中在高价统计量上；
[0026]S4、旋转矩阵：通过白化处理后的数据矢量Z来求出四阶累积量矩阵Q(M)，然后根据矩阵求出旋转阵V，使得每个累计量联合对角化，得到信源信号；
[0027]S5、反演组合：通过得到的信源信号的数据反演地球化学数据的组合，然后根据能量的大小进行排序：
[0028]S6、应用分形理论：对排序的数据能量进行圈定异常浓集中心，从而确定地球化学元素综合信息。
[0029]本专利技术实施例中，步骤S2中，ICA假设条件具体为：使得零均值化的数学模型为X(t)＝X(t)
‑
E(X(t))，令化学元素数据的矩阵X(t)为均值不为零的随机变量，X(t)＝[(X1t)，(X2t)，
…
，(X
n
t)]，X
i
(t)分别代表采集的各个元素数据，然后去除采集数据的均值，公式为
[0030]本专利技术实施例中，步骤S4中，Q(M)为一个N阶矩阵，使得Q(M)＝Q
Z
(M
i
)，Q
Z
(M
i
)，其中Z、i＝(1,2，
…
，N)。
[0031]本专利技术实施例中，步骤S4中，旋转阵其中B是各元素数据的矩阵。
[0032]本专利技术实施例中，步骤S4中，信源信号公式为Y＝VW0X。
[0033]本专利技术实施例中，步骤S5中，反演组合式为T＝
‑
0.4458a，a代表化学元素式。
[0034]同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
[0035]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地球化学数据分析方法，其特征在于：包括以下步骤：S1、数据采集：系统对需要分析的地球化学元素数据进行采集，储存；S2、零均值化：对采集的数据进行去零均值化处理，使得数据符合ICA假设条件；S3、数据白化：将去零均值化处理后的数据进行白化处理，得到白化矩阵W0和矢量Z＝W0X，消除各道化探元素间的二阶相关性，使得数据元素集中在高价统计量上；S4、旋转矩阵：通过白化处理后的数据矢量Z来求出四阶累积量矩阵Q(M)，然后根据矩阵求出旋转阵V，使得每个累计量联合对角化，得到信源信号；S5、反演组合：通过得到的信源信号的数据反演地球化学数据的组合，然后根据能量的大小进行排序：S6、应用分形理论：对排序的数据能量进行圈定异常浓集中心，从而确定地球化学元素综合信息。2.根据权利要求1所述的一种基于深度学习的地球化学数据分析方法，其特征在于：所述步骤S2中，ICA假设条件具体为：使得零均值化的数学模型为X(t)＝X(t)
‑
E(X(t))，令化学元素数据的矩阵X(t)为均值不为零的随机变量，X(t)＝[(X...

【专利技术属性】
技术研发人员：庄锦方，梁静，
申请(专利权)人：贵州逸宸未来科技有限公司，
类型：发明
国别省市：