【技术实现步骤摘要】
本专利技术涉及找矿预测，尤其是涉及一种基于ae-lightgbm模型的找矿预测方法。
技术介绍
1、矿产资源是国家经济发展的重要基础，对现代工业和社会进步具有重要意义。随着矿产资源的不断开发和消耗，找矿预测的难度也在不断增加。随着信息技术的发展，许多机器学习技术被逐渐应用在找矿预测领域，以提高找矿工作的效率和准确率。
2、在找矿预测任务中，往往存在大量的无标签数据和少量的有标签数据。仅仅利用少量有标签数据进行有监督学习，难以充分捕捉数据的潜在模式和规律，可能导致模型的泛化能力较差。相比之下，结合无监督学习和有监督学习的优点，可以更有效地利用所有数据。无监督学习能够从大量的无标签数据中提取有用的特征表示，自动发现数据中的结构和模式，而有监督学习则可以利用少量的有标签数据进行精确预测。通过这种方式，可以充分利用无标签数据的丰富信息，同时结合有标签数据的指导，显著提升模型的精度、泛化能力和稳定性。
技术实现思路
1、本专利技术的目的是提供一种基于ae-lightgbm模型的找矿预测方法，解决上述
技术介绍
中提出的问题，充分利用无标签数据的丰富信息，同时结合有标签数据的指导，显著提升模型的精度、泛化能力和稳定性。
2、为实现上述目的，本专利技术提供了一种基于ae-lightgbm模型的找矿预测方法，包括以下步骤：
3、步骤s1、获取包含矿点、非矿点及未知矿点的研究区数据，并进行预处理操作，构建原始数据集；
4、步骤s2、基于无标签数据训练自编码
5、步骤s3、在编码后的有标签数据集上，使用贝叶斯优化算法确定lightgbm模型的最佳超参数组合，并以此训练出最佳lightgbm预测模型；
6、步骤s4、利用最佳lightgbm预测模型对研究区进行找矿预测并评价。
7、优选的，所述步骤s1中，通过钻孔数据提取和插值计算得到研究区数据的数据属性，具体包括：
8、空间属性：坐标；地质属性：地层、岩性和断层；地球化学属性：品位、元素；地球物理属性：极化率、电阻率和磁化率；
9、每个数据对应研究区的一个空间坐标，其中，研究区的矿点数量至少为100组，未知矿点数量至少为10000个。
10、优选的，所述步骤s1中的预处理操作包括整合数据的属性、标签以及空间坐标信息；对属性值进行放缩处理；去除重复的样本。
11、优选的，所述步骤s2中的有标签数据集表示为[xl:yl:il]，无标签数据集表示为[xu:iu]，其中，x为属性矩阵，y为标签矩阵，i为空间坐标矩阵。
12、优选的，所述步骤s2中，自编码器由编码器和解码器组成，解码器由多层全连接神经网络组成，编码器由嵌入层和多层全连接神经网络组成，嵌入层可以将类别变量映射为数值向量；
13、编码器和解码器的全连接网络的结构是对称的，编码器每层的神经元数量逐渐减少，将高维输入数据压缩到低维潜在表示，解码器通过对称的结构逐层增加神经元数量，将低维表示逐渐还原至原始数据维度；
14、自编码器采用批量正则化策略，采用adam优化器调整学习率，采用prelu()作为激活函数，公式如下：
15、
16、其中，α为自动学习的参数，x为输入值；
17、自编码器的训练数据是无标签数据中的xu，损失函数为均方误差mse，公式如下：
18、
19、其中，n为数据的样本数量，xi为输入的第i个样本，为自编码器重建的第i个样本。
20、优选的，所述步骤s2中，使用训练好的编码器对所有数据样本的数据属性进行编码，输入xl和xu，输出为编码后的属性x'l和x'u，构造编码后的有标签数据集[x'l:yl]，随机划分为训练集和测试集。
21、优选的，所述步骤s3中，通过贝叶斯优化算法确定lightgbm模型的最佳超参数组合，目标函数设定为在训练集上的k折交叉验证的平均f1分数，公式如下：
22、
23、其中，k为交叉验证的折数，f1(i)为第i折的f1分数。
24、优选的，所述步骤s3中通过贝叶斯寻优的lightgbm超参数包括：迭代次数、学习率、决策树的叶子上限、决策树的深度上限、梯度提升的类别、叶子上的最小样本数、最小分裂增益、正则化系数和特征抽样比例；
25、寻优次数不少于100次，得到最佳的超参数组合。
26、优选的，所述步骤s3中，根据最佳超参数组合设定lightgbm模型的超参数，在训练集上进行训练，损失函数设定为交叉熵cross-entropy，公式如下：
27、
28、其中，n是样本数量，yi是第i个样本的真实标签，pi是模型预测为正样本的概率；
29、得到最佳的lightgbm模型，在测试集上进行初步检验。
30、优选的，所述步骤s4的具体步骤如下：
31、步骤s41、将编码后的所有研究区样本的属性x'l和x'u，作为输入；
32、步骤s42、使用最佳的lightgbm模型进行找矿预测，得到整个研究区的成矿概率；
33、步骤s43、将预测概率结合对应的空间坐标，得到研究区成矿概率的空间分布；
34、步骤s44、进行结果评价。
35、因此，本专利技术采用上述一种基于ae-lightgbm模型的找矿预测方法，可以充分利用无标签数据的丰富信息，同时结合有标签数据的指导，显著提升模型的精度、泛化能力和稳定性，在找矿预测领域具有重大意义。
36、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于AE-LightGBM模型的找矿预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于，所述步骤S1中，通过钻孔数据提取和插值计算得到研究区数据的数据属性，具体包括：
3.根据权利要求2所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于：所述步骤S1中的预处理操作包括整合数据的属性、标签以及空间坐标信息；对属性值进行放缩处理；去除重复的样本。
4.根据权利要求3所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于：所述步骤S2中的有标签数据集表示为[XL:YL:IL]，无标签数据集表示为[XU:IU]，其中，X为属性矩阵，Y为标签矩阵，I为空间坐标矩阵。
5.根据权利要求4所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于：所述步骤S2中，自编码器由编码器和解码器组成，解码器由多层全连接神经网络组成，编码器由嵌入层和多层全连接神经网络组成，嵌入层可以将类别变量映射为数值向量；
6.根据权利要求5所
7.根据权利要求6所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于：所述步骤S3中，通过贝叶斯优化算法确定LightGBM模型的最佳超参数组合，目标函数设定为在训练集上的k折交叉验证的平均F1分数，公式如下：
8.根据权利要求7所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于，所述步骤S3中通过贝叶斯寻优的LightGBM超参数包括：迭代次数、学习率、决策树的叶子上限、决策树的深度上限、梯度提升的类别、叶子上的最小样本数、最小分裂增益、正则化系数和特征抽样比例；
9.根据权利要求8所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于：所述步骤S3中，根据最佳超参数组合设定LightGBM模型的超参数，在训练集上进行训练，损失函数设定为交叉熵cross-entropy，公式如下：
10.根据权利要求9所述的一种基于AE-LightGBM模型的找矿预测方法，其特征在于，所述步骤S4的具体步骤如下：
...【技术特征摘要】
1.一种基于ae-lightgbm模型的找矿预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ae-lightgbm模型的找矿预测方法，其特征在于，所述步骤s1中，通过钻孔数据提取和插值计算得到研究区数据的数据属性，具体包括：
3.根据权利要求2所述的一种基于ae-lightgbm模型的找矿预测方法，其特征在于：所述步骤s1中的预处理操作包括整合数据的属性、标签以及空间坐标信息；对属性值进行放缩处理；去除重复的样本。
4.根据权利要求3所述的一种基于ae-lightgbm模型的找矿预测方法，其特征在于：所述步骤s2中的有标签数据集表示为[xl:yl:il]，无标签数据集表示为[xu:iu]，其中，x为属性矩阵，y为标签矩阵，i为空间坐标矩阵。
5.根据权利要求4所述的一种基于ae-lightgbm模型的找矿预测方法，其特征在于：所述步骤s2中，自编码器由编码器和解码器组成，解码器由多层全连接神经网络组成，编码器由嵌入层和多层全连接神经网络组成，嵌入层可以将类别变量映射为数值向量；
6.根据权利要求5所述的一种基于ae-lightgbm模型的找矿预测方法，其特征在于：所述步骤s2中，...
【专利技术属性】
技术研发人员：徐凯，周广隆，吴冲龙，李岩，田宜平，孔春芳，徐城阳，吕维逸，董洋，向世泽，赵杰，李必亿，李宗岭，朱睿，陈一凡，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
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。