(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211308574.6 (22)申请日 2022.10.25 (71)申请人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 张鹏程　邓继　丁亮　陈豪　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 孟红梅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 16/29(2019.01) (54)发明名称 基于多尺度样本不均的矿产预测方法及系 统 (57)摘要 本发明公开一种基于多尺度样本不均的矿 产预测方法及系统， 该方法包括： 将收集的地质 数据转换成图像数据， 得到不同尺度的地球化学 图； 将地球化学图按照一定像素比例划分网格， 并根据专家知识形成训练样本； 进行样本数据增 强； 建立自编码器与生成对抗网络联合模型， 使 用小尺度地球化学图找到化探异常区域； 构建加 入注意力机制的卷积神经网络模 型， 对大尺度数 据的异常区域进行矿产分类。 本发 明的联合模型 可以学习多元地球化学数据之间的内在联系和 特征， 在小尺度数据上进行化探异常提取， 可 以 有效避免地球化学数据中噪声的影 响。 在大尺度 数据上利用注意力机制使得模型更加关注 图像 中重点信息， 可有效提升图像分类准确性。 权利要求书3页 说明书7页 附图3页 CN 115511214 A 2022.12.23 CN 115511214 A 1.一种基于多尺度样本不均的矿产预测方法， 其特 征在于， 包括如下步骤： 步骤1： 将收集的地质数据转换成 图像数据， 得到1： P1的地球化学图和1： P2的地球化学 图， 其中1： P1和1： P2代表图上距离和实际距离之比， 且P1大于P2； 步骤2： 将地球化学图按照一定像素比例划分网格， 并根据专家知识形成训练样本； 将 每个预测图划分网格， 如果网格中含 矿床， 则选择其 为成矿区， 否则选择其 为背景区； 步骤3： 将得到的训练样本进行 数据增强； 步骤4： 将生成对抗网络引入到深度 卷积自编码器 中， 其中生成对抗网络 中的生成器作 为自编码器中解码器， 通过编码器将样本大小为1： P1的网格数据从图像 空间中映射到潜在 空间， 之后训练生成对抗网络得到输出， 计算输入数据和输出数据之间的欧式距离作为化 探异常得分； 步骤5： 基于1： P1的地球化学图得到的化探异常得分图， 在1： P2的网格数据中进行样本 标记， 化探异常得分高于 设定阈值的标记为正样本， 否则为负样本， 在这基础上进 行具体化 探数据分类； 构 造卷积神经网络模型， 并在 模型中加入注意力机制， 使 得模型聚焦感兴趣区 域的信息， 以此来学习矿化和化探数据之间的规 律； 步骤6： 将1： P2训练样本数据输入到卷积神经网络模型中进行迭代， 更新神经网络的参 数； 步骤7： 将训练好的卷积神经网络模型对待预测区域的化探数据进行矿化概率预测， 生 成该区域矿产资源的概 率预测分布图。 2.根据权利要求1所述的一种基于多尺度样本不均的矿产 预测方法， 其特征在于， 所述 步骤1中收集的地质数据包括地理位置信息和 地球化学元素信息， 地理位置信息包括已知 矿区的经纬度坐标， 地球化学元素信息包括已知矿区的各种地球化学元素的含量； 在 ArcGIS软件中输入地理位置信息和地球化学元素信息， 经过反距离加 权插值法， 将化探因 子转化为地球化学空间数据， 得到不同尺度的地球化学图。 3.根据权利要求1所述的一种基于多尺度样本不均的矿产 预测方法， 其特征在于， 所述 步骤3中通过 添加噪声以及使用生成对抗网络生成新样本的方式进行 数据增强。 4.根据权利要求1所述的一种基于多尺度样本不均的矿产 预测方法， 其特征在于， 所述 步骤4包括如下步骤： 步骤41： 用一个卷积神经网络构建一个编码器E， 将经过数据增强后的1： P1的背景区数 据样本输入到编码器中， 经 过该编码器进行 特征提取， 映射到潜在空间； 步骤42： 在编码器网络之后使用生成对抗网络， 其中生成对抗网络 中的生成器G当作是 自编码器中解码器， 完成从潜在空间到图像空间的映射； 为了能够得到背景区所在位置的 潜在空间的特 征分布， 最小化输入图像x和重建图像G(E(x) )的损失函数： 其中n是图像中的像素个数； 步骤43： 在训练编码器时， 使用生成对抗网络鉴别器中计算真实图像和生成图像的统 计信息指导编码器E的训练， 鉴别器D 指导编码器训练的损失函数如下：权　利　要　求　书 1/3 页 2 CN 115511214 A 2其中， nd是中间特征表示的维数， k是加权因子， || ·||2表示像素差的平方， f( ·)是鉴 别器D在运 算过程中产生的特 征， 目的是统计给定 输入的信息； 步骤44： 使用背景区数据以最小 化损失函数L2为目的训练编码器E以此来生成与原始图 像特征分布更加相似的图像； 步骤45： 训练结束后， 计算输入图像x和训练好的生成对抗网络产生的输出图像y的欧 式距离作为 化探异常得分。 5.根据权利要求1所述的一种基于多尺度样本不均的矿产 预测方法， 其特征在于， 所述 步骤5包括如下步骤： 步骤51： 根据异常得分获得1： P1地球化学图异常部分聚集处， 根据现有数据得到其对应 位置的1： P2的化探数据； 步骤52： 构建卷积神经网络模型， 模型输入数据为c ×h×w矩阵， c代表地球化学数据的 图像通道个数， 每个通道包含一种化探元素的信息， h、 w代表图像的高和 宽， 卷积神经网络 的数据输出格式为代 表着各个矿型或背景区的概 率向量； 步骤53： 在构建卷积神经网络模型中， 融合注意力 机制， 给每个通道上的特征图施加一 个权重， 即通过以下公式把注意力集中在待识别矿产区域， 并对这些区域进行特征提取处 理并捕获化探数据中各通道数据中的相关性； g(x)＝Sigmo id(W2ReLU(W1x)) 其中Sigmoid和ReLU是激活函数， W1与W2是全连接层的权重参数； 经过上述通道注意力 的计算， 得到一个注意力权重矩阵g(x)， 将得到的权重矩阵g(x)与 原特征图x相乘得到下一 层网络运行 所需要的特 征信息。 6.根据权利要求1所述的一种基于多尺度样本不均的矿产 预测方法， 其特征在于， 所述 步骤6中训练网络模型的损失函数为： 其中LCE(pi,yi)表示多分类的交叉熵， yi是真实标签， pi是预测标签分类概率， N是样本 总数； GD(gi)是梯度密度； gi表示梯度， gmi表示梯度模长， ε是超参数。 7.一种基于多尺度样本不均的矿产预测系统， 其特 征在于， 包括： 预处理模块， 用于将收集的地质数据转换成图像数据， 并得到 1： P1的地球化学图和1： P2权　利　要　求　书 2/3 页 3 CN 115511214 A 3