期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于集成学习模型与贝叶斯优化算法的成矿预测 被引量：1
1
作者 孔春芳 田倩 +3 位作者 刘健 蔡国荣 赵杰 徐凯 《地学前缘》 北大核心 2025年第4期122-139,共18页
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... 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。 展开更多
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
在线阅读 下载PDF
基于样本扩充的黔西北垭都-蟒硐矿区铅锌矿成矿预测研究
2
作者 徐凯 徐城阳 +2 位作者 吴冲龙 蔡婧云 孔春芳 《地学前缘》 北大核心 2025年第4期95-107,共13页
黔西北拥有丰富的铅锌矿资源,但由于矿体埋藏较深,找矿难度大。利用机器学习进行的数据驱动的成矿预测正在成为深部隐伏铅锌矿找矿勘探的有力工具。然而,基于机器学习的找矿预测面临着一些普遍的问题,特别是成矿样本少导致训练样本不足... 黔西北拥有丰富的铅锌矿资源,但由于矿体埋藏较深,找矿难度大。利用机器学习进行的数据驱动的成矿预测正在成为深部隐伏铅锌矿找矿勘探的有力工具。然而,基于机器学习的找矿预测面临着一些普遍的问题,特别是成矿样本少导致训练样本不足和训练样本不平衡等问题。为此,本文提出了一种K均值聚类(K-means Clustering)改进条件表格生成对抗网络(Conditional Tabular Generative Adversarial Network,CTGAN)的见矿样本扩充方法来解决这些问题。具体来说,首先根据K均值聚类后各簇集样本间欧氏距离判断其疏密情况,在稀疏簇集扩充更多的样本以增加其密度实现见矿样本集的扩充。然后,对抗网络生成具有高度抽象的新类别标签,并将新类别标签用于条件生成,从而提高扩充样本的质量。最后,利用扩充后的正样本和随机欠采样的负样本建立数据量充足且平衡的有标签样本集,训练和验证Category Boosting(CatBoost)分类器,建立基于KC-CTGAN-CatBoost成矿预测模型。实验结果表明,相比于未经过KC-CTGAN见矿样本扩充的数据集构建的成矿预测模型,在准确度、召回率、精度和F1-score上分别提高了8.7%、7.4%、10.2%和8.8%,证明KC-CTGAN见矿样本扩充方法的有效性,并提高了成矿预测模型的性能。预测结果将更好地为深部隐伏铅锌矿体的找矿勘探提供更精确的靶区。 展开更多
关键词 样本扩充 条件表格生成对抗网络 铅锌矿 成矿预测
在线阅读 下载PDF
基于提示和度量学习的小样本地质关系抽取
3
作者 张志庭 彭帅 +1 位作者 阙翔 陈麒玉 《地学前缘》 北大核心 2025年第4期250-261,共12页
地质领域研究正经历以构建新知识体系为核心、大数据为驱动的深刻变革。地质知识图谱的构建能够有效地解决在数据分散状态下的知识发现与推理受限等问题。关系抽取技术作为知识图谱构建的关键技术之一,在地质实体关系识别中发挥关键作... 地质领域研究正经历以构建新知识体系为核心、大数据为驱动的深刻变革。地质知识图谱的构建能够有效地解决在数据分散状态下的知识发现与推理受限等问题。关系抽取技术作为知识图谱构建的关键技术之一,在地质实体关系识别中发挥关键作用。传统关系抽取技术高度依赖大规模标注数据。然而地质领域中实体关系复杂且专业性强,人工标注数据耗时费力,致使大规模标注数据短缺。因此,传统关系抽取技术在地质领域的有效应用受限。针对上述困境,本研究提出基于原型网络的地质关系抽取小样本学习方法,创新性地引入增强提示学习机制,并通过对比学习优化实例表示和关系描述表示,显著地提升了原型代表性。同时,采用加权损失函数和困难任务辅助训练策略,增强模型对困难任务的关注度,有效地提高了整体准确率。实验结果表明,本文提出的模型在地质小样本关系抽取数据集的5way 1-shot场景下准确率达到82.16%,相比通用领域先进模型SimpleFSRE提升1.94%,相比原型网络Proto-BERT方法提升9.01%,验证了所提方法的有效性。 展开更多
关键词 小样本学习 关系抽取 地质知识图谱 原型网络 提示学习
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部