本技术属于成矿预测技术领域,公开了一种融合分形表征工程的成矿预测方法。本发明的目的在于提供一种融合分形表征工程的成矿预测方法,其特征是通过分形分析与特征选择对原始数据进行处理,突出数据集的非线性成矿信息,筛选出最优特征子集,得到优化后的数据集。通过此数据集进行预测,提高人工智能模型的预测精度,最终得到比传统方法更准确的预测结果,降低勘探的人力与经济成本,降低勘探风险,进而提供一种更科学、更可靠、更高效的成矿预测方法。适用于各类人工智能模型的成矿预测工作。进一步提供该分形表征工程的实施方法。
背景技术
矿产资源是经济社会发展的重要物质基础。随着城市化和工业化的推进,对矿产资源的需求越来越大,寻找新的矿产远景区变得尤为重要,而且矿产勘探具有成本高,风险大等特点,如何得到更加准确的找矿靶区成为亟待解决的难题。矿产资源潜力评价图可以量化和绘制研究区内通过勘查发现矿床的概率。目前,人工智能驱动的矿产资源潜力评价成为一种日益被接受的用于圈定矿产勘查目标的重要工具。但由于矿产资源潜力评价使用的地质特征具有内在的复杂性和噪声性,使人工智能模型在实际勘探中的应用受到一定的局限性。
融合分形表征工程的成矿预测方法技术,可以从原始特征中挖掘潜在的非线性成矿信息,搜寻输入数据集的最优特征子集,满足当下矿产资源勘探中的高精度需求。
传统算法的局限性:现有的基于人工智能驱动的矿产资源潜力评价通常只会对原始数据集进行简单的预处理,会在很大程度上遗漏原始特征中潜在的非线性成矿信息,难以从输入数据集中搜寻最优的特征子集,从而导致最终的预测结果产生偏差,遗漏潜在的成矿区域或夸大成矿潜力低的区域,对实际的勘探工作带来不便。
通过上述分析,现有技术存在的问题及缺陷为:
现有的基于人工智能驱动的矿产资源潜力评价通常只会对原始数据集进行简单的预处理,会在很大程度上遗漏原始特征中潜在的非线性成矿信息,难以从输入数据集中搜寻最优的特征子集,从而导致最终的预测结果产生偏差,遗漏潜在的成矿区域或夸大成矿潜力低的区域,对实际的勘探工作带来不便。
实现思路