[发明专利]基于空间约束多自编码器的多元地球化学异常识别方法

说明书

本发明公开了基于空间约束多自编码器的多元地球化学异常识别方法，包括以下步骤：数据聚类；空间域划分；自监督学习；异常值计算；异常地图生成。本发明将多元数据聚类、空间滤波与自编码神经网络结合，兼顾多种地球化学元素间的复杂关系和空间分布特征，从而有效提高化探异常识别的精确性，为复杂地质条件下利用多元化探数据进行异常识别提供了较为实用可靠的科学方法。

技术领域

本发明涉及地球化探异常识别领域、人工智能应用领域，尤其涉及一种基于空间约束多自编码器的多元地球化学异常识别方法。

背景技术

地球化探异常识别是矿产勘探的重要工作之一，地质学家将化探异常与其他地质信息结合进行综合判断来寻找潜在矿田。基于频域的异常识别法被广泛使用，如箱线图法、均值法、多元数据分析法等。但这些方法缺少考虑地球化学数据的一个重要特征---地球化学场的空间性。分形/多重分形、克里金方法、奇异值方法、空间因素分析法、趋势面法等考虑了空间近邻样本的相关性，在化探异常识别领域有突出表现。随着人工智能领域的技术发展和机器学习的广泛应用，神经网络对深层次隐含结构特征的学习能力使其在化探异常识别领域引起了广泛关注。已有的研究表明，深度玻尔兹曼、深度置信网络等神经网络模型在复杂地质环境的异常识别中表现不俗。然而，由于基于单一神经网络模型的化探异常识别方法缺乏考虑区域范围的地球化学背景差异，不能因地制宜地区分空间差异，造成模型参数训练难度较大，对包含弱异常的潜在矿产资源区域识别准确率低。总之，目前缺乏综合考虑地球化学背景空间差异、数据非正态分布、以及多化学元素非线性关系的化探异常识别方法。

发明内容

有鉴于此，本发明的实施例提供了一种以实现复杂地质环境下的多元化探异常识别，为区域性找矿、圈定潜在含矿单元提供技术支持的基于空间约束多自编码器的多元地球化学异常识别方法。

本发明的实施例提供基于空间约束多自编码器的多元地球化学异常识别方法，包括以下步骤：

步骤1.数据聚类，即通过对多元化探样本数据进行归一化和聚类，生成多个样本组；

步骤2.空间域划分，即根据样本组的地理空间分布，利用中值滤波和空间约束规则消除碎片，生成多个空间域；

步骤3.自监督学习，即针对每个空间域，利用多个结构特征不同的自编码器组件构建多自编码器神经网络模型(Multi-Auto-Encoder,MAE)，并利用相应空间域内的样本数据进行训练，选取误差最小的自编码器作为该空间域的最优模型；

步骤4.异常值计算，即计算每个化探样本原始数据与相应空间域最优自编码器输出值之间的欧式距离；

步骤5.异常地图生成，即将样本异常值映射到样本所在地理位置，反映化探异常的地理空间分布。

进一步，所述步骤1中，分析不同聚类因素对化探样本数据聚类结果的影响，并查看不同聚类因素条件下的聚类结果是否在空间分布上具有差异。

进一步，所述聚类因素包括聚类数、聚类方法和相似性度量方式，所述聚类方法为无监督方法，所述聚类方法包括K-means方法和SOM方法。

进一步，所述步骤2的具体步骤为：

步骤2.1.利用圆形窗口的中值滤波方法对聚类结果进行滤波，并多次迭代，直至各个样本组再不发生明显变化；

步骤2.2.设定空间约束规则，并利用空间约束规则进一步优化样本组划分；

步骤2.3.将属于同组但空间分离的样本块划分为独立样本组，最终生成的多个样本组，在地理空间上的表现为多个相互独立且各自内部连续的区块，即空间域。