-
题名基于集成学习模型与贝叶斯优化算法的成矿预测
- 1
-
-
作者
孔春芳
田倩
刘健
蔡国荣
赵杰
徐凯
-
机构
中国地质大学(武汉)计算机学院
自然资源部基岩区矿产资源勘查工程技术创新中心
贵州省战略矿产智慧勘查全省重点实验室
智能地学信息处理湖北省重点实验室
贵州省地质矿产勘查开发局一○三地质大队
-
出处
《地学前缘》
北大核心
2025年第4期122-139,共18页
-
基金
贵州省找矿突破战略行动重大协同创新项目(黔科合战略找矿[2022]ZD004)
湖北省自然科学基金项目(2021CFB506)
+4 种基金
智能地学信息处理湖北省重点实验室开放基金项目(KLIGIP-2023-B08)
贵州省基础研究计划(自然科学)(QKHJC-ZK[2023]G 194)
贵州省重大科技成果转化项目(黔科合[2022]重点003)
贵州省地质矿产勘查开发局项目(黔地矿科合[2021]3和[2023]1)
铜仁市科技局科研项目(铜市科研[2024]97号)。
-
文摘
全球进入隐伏矿体勘查时代,急需新的找矿预测方法。利用集成学习进行的数据驱动的成矿预测模型正在成为深部隐伏矿产勘探的有力工具。然而,基于集成学习的成矿预测模型面临着一些普遍的问题,特别是模型的参数调优。模型的参数调优是一个非常耗时的过程,需要繁琐的计算和足够的专家经验。本文提出了一种基于多源地学知识与贝叶斯优化算法的集成学习模型来解决上述问题。具体来说,首先,基于多源地学知识,构建锰矿成矿预测数据库;其次,基于自适应提升模型(Adaptive Boosting,AdaBoost)和随机森林(Random Forest,RF)模型,建立黔东北锰矿成矿预测模型;然后,采用贝叶斯优化算法(Bayesian Optimization,BO),通过5倍交叉验证的辅助,寻找BO-AdaBoost和BO-RF模型最合适的超参数组合;最后,利用精度、准确率、召回率、F_(1)分数、kappa系数、AUC值等参数及已有成果检测模型的性能。实验结果发现,BO-AdaBoost和BO-RF模型的AUC值都得到了显著的提高,表明BO是一个强大的优化工具,优化结果为集成学习模型的超参数设置提供了参考。同时,实验结果也表明:BO-AdaBoost模型(92.8%)比BO-RF模型(89.9%)具有更高的预测精度和地质泛化能力,在成矿预测方面具有巨大潜力。基于BO-AdaBoost模型的预测图为黔东北隐伏锰矿矿床的勘探提供了重要线索,并可以指导未来的矿产勘探与开发。
-
关键词
集成学习
自适应提升模型
随机森林
贝叶斯优化算法
隐伏锰矿
成矿预测
-
Keywords
ensemble learning
Adaptive Boosting(AdaBoost)
Random Forest(RF)
Bayesian Optimization(BO)
hidden manganese ore
metallogenic prediction
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
P612
[天文地球—矿床学]
P628
[天文地球—地质矿产勘探]
-
-
题名基于优化自适应模型的心律失常辅助诊断方法
- 2
-
-
作者
张晴
蒋萍
杨金广
李天宝
于刚
-
机构
济南大学信息科学与工程学院
济南大学自动化与电气工程学院
-
出处
《济南大学学报（自然科学版）》
CAS
北大核心
2024年第5期581-588,598,共9页
-
基金
国家自然科学基金项目(62271230)。
-
文摘
针对心律失常诊断算法中存在的不平衡数据集诊断准确率及阳性预测值较低的问题,提出一种基于优化自适应模型的心律失常辅助诊断方法;提取心电信号的77维特征并将其融合,使用融合特征训练诊断模型,同时利用改进的粒子群算法优化自适应模型参数;采用优化模型对MIT-BIH心律失常数据库进行诊断实验并与现有方法进行对比。结果表明,本文所提方法在测试数据集的诊断准确率达到98.2%,正常或束支传导阻滞节拍、室上性异常节拍、心室异常节拍、融合节拍的阳性预测值分别达到98.5%、96.1%、95.5%、92.0%,诊断准确率和阳性预测值明显大于现有方法的。
-
关键词
心律失常诊断
特征融合
心电信号
自适应提升模型
粒子群优化算法
-
Keywords
arrhythmia diagnosis
feature fusion
electrocardiogram signal
adaptive boosting model
particle swarm optimization algorithm
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
R541.7
[医药卫生—心血管疾病]
-
-
题名基于机器学习混合模型的滑坡易发性评价
被引量：9
- 3
-
-
作者
邓念东
李宇新
崔阳阳
石辉
郭亚雷
-
机构
西安科技大学地质与环境学院
-
出处
《科学技术与工程》
北大核心
2022年第14期5539-5547,共9页
-
基金
国家自然科学基金(41602359)
青海省青藏高原北部地质过程与矿产资源重点实验室基金(2019-KZ-01)。
-
文摘
安康市汉滨区地质环境脆弱,滑坡频发对当地居民生命财产安全造成严重威胁,针对该区域进行滑坡易发性评价是滑坡防治的有效措施。自适应提升模型和随机森林模型作为新颖的集成学习方法被应用至中外滑坡易发性评价研究中,但基于两者的混合模型在滑坡易发性中的应用研究尚未开展。为对比混合模型与单一模型的滑坡易发性评价精度,根据地质灾害详查资料圈定509处滑坡,结合研究区地质环境背景,选取高程、坡度、坡向、年均降雨量、地层岩性等13类因子进行评价。受试者工作特性曲线(receiver operating characteristic curve,ROC)结果表明,同单一模型相比,混合模型的训练集正确率和验证集预测率均为最高;混合模型的高易发区滑坡密度达到1.94,高于随机森林(1.86)和自适应提升模型(1.68);通过区内三处历史滑坡进行验证,结果显示区划结果与滑坡分布相吻合,说明自适应提升-随机森林混合模型可作为滑坡易发性评价的新方法,其区划结果可为滑坡防治与土地利用规划提供借鉴。
-
关键词
滑坡易发性评价
自适应提升模型
随机森林模型
混合模型
-
Keywords
landslide susceptibility assessment
adaptive boosting model
random forest model
hybrid model
-
分类号
P694
[天文地球—地质学]
-
