耦合PCA-SVM算法的金矿矿床规模预测分析研究

作者：刘承照; 韩帅; 李明超^*; 朱月琴

来源：地学前缘, 2019, 26(04): 138-145.

DOI：10.13745/j.esf.sf.2019.7.7

• 金矿矿床
• 规模预测
• 主成分分析
• 支持向量机
• 耦合算法

判断矿床(点)的类型是矿床勘探中的重要内容,传统预测金矿成矿规模的方法不仅耗时耗力,而且所需的经济成本较大。为提高矿床规模的勘探效率和准确度,揭示元素与金矿成矿规模的潜在联系,文中提出了耦合主成分分析(principal component analysis,PCA)和支持向量机(support vector machine,SVM)算法的预测分析PCA-SVM(principal component analysis-support vector machine)方法。该方法先通过主成分分析提取数据中的主要特征,再将主要特征带入支持向量机算法,从而训练出最优分类器以预测金矿成矿规模。文中共使用了3 812个金矿样本数据用于学习训练和预测分析,训练准确率为92.3%,测试准确率为88.7%,分别比直接使用支持向量机算法高出14.3%和17.1%。基于PCA-SVM的预测模型,不仅消除了人为主观因素的影响,而且有效提高了勘探过程中矿床预测的准确率和矿床勘探的效率,为地质勘查工作提供依据。

• 单位
  水利工程仿真与安全国家重点实验室; 中国地质调查局发展研究中心; 天津大学