【技术实现步骤摘要】
本专利技术涉及人工智能，具体涉及一种基于人工智能的地质矿产资源预测模型训练方法。
技术介绍
1、随着全球矿产资源需求的不断增加，地质矿产资源的勘探和开发变得日益重要。然而，传统的地质勘探方法面临数据采集难、成本高、效率低等挑战，尤其是在复杂地质环境下，获取足够的高质量数据样本非常困难。此外，地质矿产资源数据通常具有高度的非线性和复杂性，现有的机器学习模型难以有效处理这些复杂数据，导致预测模型的泛化能力较差，预测精度不高。在此背景下，如何通过智能技术实现地质矿产资源数据的扩充和优化，提升预测模型的精度和效率，成为当前技术发展的一个重要方向。
2、公开号为cn118709523a的中国专利技术专利提出一种基于深度学习的地质力学参数预测方法，涉及地质勘测领域，方法包括：获取待测区域的学习集；待测区域的学习集包括待测区域内每个位置的物理学参数；根据待测区域的学习集，采用力学参数预测模型，预测待测区域内每个位置的力学参数，得到待测区域的预测集；力学参数预测模型预先采用训练样本集对机器学习网络进行训练得到；训练样本集中包括多组已知的物理学参数及对应的力学参数；根据待测区域的学习集及预测集，建立待测区域的三维空间参数展布模型。该专利基于机器学习构建力学参数预测模型，适用于复杂页岩地层力学参数的预测，能够精细刻画三维力学参数空间展布特征。
3、公开号为cn116523136a的中国专利技术专利提出一种基于多模型集成学习的矿产资源空间智能预测方法及装置，方法包括：获取待预测的地质空间的特征数据集，其中，待预测的地质空间的特
4、公开号为cn117951551a的中国专利技术专利提出一种基于奇异性指数和自组织神经网络的矿产资源预测方法，属于矿产勘查
，方法包括以下步骤：得到研究区的汇水盆地的空间分布；统计每个汇水盆地的奇异性指数；提取研究区的地质控矿要素；得到各个地质控矿要素对汇水盆地的成矿有利度；通过自组织神经网络对汇水盆地进行分类；识别研究区的成矿有利区。该专利基于奇异性指数和自组织神经网络的矿产资源预测方法，针对关键金属矿产资源的矿化信息微弱难识别，基于水系沉积物的采样原理，将采样单元作为地球化学异常提取的基本单元，并引入汇水盆地单元内的地质控矿因子为约束条件，识别地球化学异常，为下一步的矿产勘查提供参考。
5、包含上述专利在内的现有技术存在以下问题：
6、1、传统的数据扩充方法，如简单的过采样或基于线性插值的扩充，往往难以有效应对复杂的地质矿产资源数据，扩充样本的逼真度较低，无法真实反映地质数据的分布，导致预测模型泛化能力差。
7、2、传统的生成对抗网络在生成数据时，常常缺乏对生成样本质量的有效控制，生成样本的分布可能过度集中或离散，导致生成的数据无法很好地代表实际数据的多样性和复杂性。
8、3、许多现有的机器学习模型在处理大规模地质数据时，尤其在处理高维数据和稀疏矩阵时，往往计算效率较低，预测模型训练耗时长，且容易出现过拟合问题。
9、4、传统的预测模型在面对复杂的非线性地质数据时，往往表现出较弱的泛化能力，无法适应数据分布的复杂变化，尤其是对于训练样本稀缺的情况，预测模型易于过拟合，影响预测准确性。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于人工智能的地质矿产资源预测模型训练方法，通过构建基于置信传播的生成对抗网络，结合能量守恒机制和动态约束博弈策略，解决地质矿产资源数据采集困难、样本不足及复杂数据分布难以建模的问题，从而提高数据扩充的质量与多样性，优化生成样本的合理分布，并通过采用共轭梯度法和稀疏矩阵分解技术，提升极限学习机在大规模地质数据集上的计算效率和泛化能力，最终实现更为精准、高效的地质矿产资源预测。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、一种基于人工智能的地质矿产资源预测模型训练方法，通过完成训练的预测模型预测地质矿产资源数据的类别；预测模型的训练方法包括以下步骤：
4、步骤一，训练数据扩充模型，利用完成训练的数据扩充模型对地质矿产资源数据进行扩充，得到由真实的地质矿产资源数据和生成的地质矿产资源数据组成的训练数据集；数据扩充模型采用基于置信传播的生成对抗网络，包括生成器、判别器；在生成器的输出端利用置信传播机制来优化生成的地质矿产资源数据的质量，通过动态约束博弈策略优化生成器和判别器的训练过程；
5、步骤二，通过基于共轭梯度的极限学习机构建预测模型，将训练数据集中的地质矿产资源数据输入到所述预测模型进行训练，具体包括以下步骤：
6、s21，随机初始化极限学习机的隐藏层参数，计算极限学习机的隐藏层输出矩阵；
7、s22，通过共轭梯度法和隐藏层输出矩阵计算极限学习机的输出层权重；
8、s23，采用稀疏矩阵分解技术，对隐藏层输出矩阵进行更新；
9、s24，重复迭代步骤s21至s23，直至满足预设的停止迭代条件。
10、进一步地，步骤s21具体包括：
11、为每个输入的地质矿产资源数据随机选择特征并进行组合，得到特征组合：，是随机组合生成函数；
12、计算第j个特征组合的动态权重：；是特征组合的权重参数；是评估第j个特征组合在极限学习机第k个隐藏层中的贡献度的函数；为sigmoid激活函数；表示极限学习机的隐藏层总数；
13、初始化极限学习机隐藏层的参数，极限学习机隐藏层的参数包括极限学习机的隐藏层权重和隐藏层偏差为；极限学习机的隐藏层输出由输入的地质矿产资源数据通过非线性激活函数转换得到：
14、；
15、式中，表示输入的地质矿产资源数据；表示元素乘积操作；是输入到极限学习机的所有地质矿产资源数据所对应的特征值向量的缩放系数向量；为特征组合的动态权重。
16、进一步地，所述对应于所有特征的缩放系数向量，采用自适应特征缩放策略计算得到，具体包括：所述对应于所有特征的缩放系数向量中的每个元素，通过分析特征与目标分类之间的相关性进行计算：
17、；
18、式中，表示第个特征与目标分类的相关系数，是调整响应曲线陡峭程度的超参数。
19、进一步地，步骤s22中，所述通过共轭梯度法和隐藏层输出矩阵计算极限学习机的输出层权重，具体包括：
20、；
21、式中，为极限学习机的输出层权重，表示共轭梯度求解器，用于求解线性方程组，其中是对称正定矩阵，中间变量，是目标输出矩阵，为的转置。
22、进一步地，步骤s23具体包括：
23、通过奇异值分解提取隐藏层输出矩阵的前个最大奇异值对应的特征，对隐藏层输出矩本文档来自技高网...
【技术保护点】
1.一种基于人工智能的地质矿产资源预测模型训练方法，其特征在于，通过完成训练的预测模型预测地质矿产资源数据的类别；预测模型的训练方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，步骤S21具体包括：
3.根据权利要求2所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，所述对应于所有特征的缩放系数向量，采用自适应特征缩放策略计算得到，具体包括：所述对应于所有特征的缩放系数向量中的每个元素，通过分析特征与目标分类之间的相关性进行计算：
4.根据权利要求1所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，步骤S22中，所述通过共轭梯度法和隐藏层输出矩阵计算极限学习机的输出层权重，具体包括：
5.根据权利要求1所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，步骤S23具体包括：
6.根据权利要求1所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，步骤一中，所述训练数据扩充模型，具体包括以下步骤：
7.根据权利要求6所述
8.根据权利要求6所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，所述动态约束博弈策略采用的额外损失项为：
9.根据权利要求6所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，还包括：
10.根据权利要求9所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，所述能量守恒损失项用于使经过置信传播调整后的生成地质矿产资源数据的能量状态接近目标能量，以调整的能量状态：
...【技术特征摘要】
1.一种基于人工智能的地质矿产资源预测模型训练方法，其特征在于，通过完成训练的预测模型预测地质矿产资源数据的类别；预测模型的训练方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，步骤s21具体包括：
3.根据权利要求2所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，所述对应于所有特征的缩放系数向量，采用自适应特征缩放策略计算得到，具体包括：所述对应于所有特征的缩放系数向量中的每个元素，通过分析特征与目标分类之间的相关性进行计算：
4.根据权利要求1所述的基于人工智能的地质矿产资源预测模型训练方法，其特征在于，步骤s22中，所述通过共轭梯度法和隐藏层输出矩阵计算极限学习机的输出层权重，具体包括：
5.根据权利要求1所述的基于人工智能的地质矿...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。