《基於深度學習的智慧型礦產資源潛力評價原理與實踐》是一本2023年科學出版社出版的圖書，作者是左仁廣 等。
基本介紹
- 書名：基於深度學習的智慧型礦產資源潛力評價原理與實踐
- 作者：左仁廣 等
- 出版社：科學出版社
- 出版時間：2023年2月1日
- 裝幀：精裝
- ISBN：9787030745293
內容簡介,圖書目錄,
內容簡介
《基於深度學習的智慧型礦產資源潛力評價原理與實踐》緊扣人工智慧和深地資源探測國際學術前沿，主要介紹礦產資源潛力智慧型評價的概念和深度學習算法基本原理，重點介紹基於深度學習開展礦產資源潛力評價的具體實施步驟，包括軟體環境配置、數據預處理、樣本製作、模型構建及參數調節與最佳化等。《基於深度學習的智慧型礦產資源潛力評價原理與實踐》可為解決深度學習用於礦產資源潛力評價中面臨的訓練樣本少、模型構建難、可解釋性差等難題提供方案。同時，《基於深度學習的智慧型礦產資源潛力評價原理與實踐》可使讀者在基於深度學習的礦產資源潛力智慧型評價方面快速入門，並能根據《基於深度學習的智慧型礦產資源潛力評價原理與實踐》提供的實例，結合自己的數據開展礦產資源潛力智慧型評價。
圖書目錄
目錄
第1章 緒論 1
1.1 礦產資源潛力評價概述 1
1.2 礦產資源潛力智慧型評價方法概述 3
1.2.1 智慧型認知 4
1.2.2 智慧型學習 5
1.2.3 智慧型決策 6
1.3 基於深度學習的地球化學異常識別 7
1.4 基於深度學習的礦產資源潛力評價 8
第2章 環境配置與樣本製作 10
2.1 TensorFlow環境配置 10
2.2 數據準備 13
2.3 樣本製作 15
2.4 數據增強 15
2.4.1 基於地質約束的數據增強方法 16
2.4.2 基於random-drop的數據增強方法 17
2.4.3 基於像素對匹配的數據增強方法 20
第3章 卷積神經網路 22
3.1 卷積神經網路基本原理 22
3.2 全卷積神經網路基本原理 24
3.3 參數最佳化 25
3.4 基於卷積神經網路的地球化學異常識別 31
3.4.1 案例介紹 31
3.4.2 模型框架 32
3.4.3 模型訓練 32
3.4.4 模型輸出 35
3.5 基於卷積神經網路的礦產資源潛力評價 36
3.5.1 案例介紹 36
3.5.2 模型框架 37
3.5.3 模型輸入 37
3.5.4 模型訓練 38
3.5.5 模型輸出 38
3.6 基於卷積神經網路的地質填圖 39
3.6.1 案例介紹 39
3.6.2 模型框架 39
3.6.3 模型輸入 41
3.6.4 模型訓練 41
3.6.5 模型輸出 43
3.7 基於全卷積神經網路的岩性填圖 44
3.7.1 案例介紹 44
3.7.2 模型框架 44
3.7.3 模型輸入 44
3.7.4 模型訓練 45
3.7.5 模型輸出 45
第4章 循環神經網路 47
4.1 基本原理 47
4.2 基於循環神經網路的礦產資源潛力評價 49
4.2.1 案例介紹 49
4.2.2 模型框架 50
4.2.3 模型輸入 50
4.2.4 模型訓練 55
4.2.5 模型輸出 58
第5章 深度自編碼網路 59
5.1 基本原理 59
5.2 基於深度自編碼網路的地球化學異常識別 60
5.2.1 案例介紹 60
5.2.2 模型框架 60
5.2.3 模型輸入 61
5.2.4 模型訓練 62
5.2.5 模型輸出 63
5.3 基於深度自編碼網路的礦產資源潛力評價 65
5.3.1 案例介紹 65
5.3.2 模型框架 65
5.3.3 模型輸入 65
5.3.4 模型訓練 66
5.3.5 模型輸出 67
第6章 生成對抗網路 68
6.1 基本原理 68
6.2 基於生成對抗網路的地球化學異常識別 69
6.2.1 案例介紹 69
6.2.2 模型框架 69
6.2.3 模型輸入 71
6.2.4 模型訓練 71
6.2.5 模型輸出 73
第7章 深度信念網路 74
7.1 基本原理 74
7.2 基於深度信念網路的地球化學異常識別 75
7.2.1 案例介紹 75
7.2.2 模型框架 75
7.2.3 模型輸入 76
7.2.4 模型訓練 76
7.2.5 模型輸出 77
第8章 深度強化學習 79
8.1 基本原理 79
8.2 基於深度強化學習的礦產資源潛力評價 81
8.2.1 案例介紹 81
8.2.2 模型框架 81
8.2.3 模型參數 83
8.2.4 模型輸入 83
8.2.5 模型訓練 83
8.2.6 模型輸出 85
第9章 圖神經網路 86
9.1 基本原理 86
9.1.1 拓撲圖構建 86
9.1.2 圖卷積網路 87
9.1.3 圖注意力網路 87
9.2 基於圖神經網路的礦產資源潛力評價 88
9.2.1 案例介紹 88
9.2.2 模型框架 88
9.2.3 模型輸入 89
9.2.4 模型訓練 90
9.2.5 模型輸出 90
第10章 深度自注意力網路 93
10.1 基本原理 93
10.2 基於深度自注意力網路的礦產資源潛力評價 94
10.2.1 案例介紹 94
10.2.2 模型框架 94
10.2.3 模型輸入 95
10.2.4 模型訓練 96
10.2.5 模型輸出 100
第11章 基於地質約束的深度學習 101
11.1 地質約束深度學習概述 101
11.2 地質約束深度學習方法構建 102
11.3 基於地質約束深度學習的地球化學異常識別 104
11.3.1 案例介紹 104
11.3.2 模型框架 104
11.3.3 模型輸入 105
11.3.4 模型訓練 105
11.3.5 模型輸出 108
11.4 基於地質約束深度學習的礦產資源潛力評價 109
11.4.1 案例介紹 109
11.4.2 模型框架 109
11.4.3 模型輸入 109
11.4.4 模型訓練 110
11.4.5 模型輸出 110
第12章 計算機集群 112
12.1 計算機集群概述 112
12.2 基於計算機集群和卷積神經網路的地質填圖 112
12.2.1 案例介紹 112
12.2.2 集群登錄 112
12.2.3 數據上傳和下載 114
12.2.4 程式運行115
12.2.5 作業調度 116
12.2.6 結果輸出 117
第13章 展望 119
13.1 數據與知識雙重驅動的大數據礦產預測 119
13.2 礦產資源潛力評價知識圖譜構建 120
13.3 深度學習模型構建 121
13.4 其他 122
參考文獻 123
附錄134
附錄1 基於滑動視窗的樣本製作代碼 134
附錄2 基於地質約束的數據增強代碼 135
附錄3 基於視窗裁剪的數據增強代碼 137
附錄4 基於random-drop的數據增強代碼 139
附錄5 基於像素對匹配的數據增強代碼 141
附錄6 基於卷積神經網路的地球化學異常識別代碼 145
附錄7 基於卷積神經網路的礦產資源潛力評價代碼 156
附錄8 基於卷積神經網路和勘查地球化學數據的地質填圖代碼 158
附錄9 基於全卷積神經網路的岩性填圖代碼 161
附錄10 循環神經網路調參代碼 164
附錄11 基於循環神經網路的礦產資源潛力評價代碼 167
附錄12 基於深度自編碼網路的地球化學異常識別代碼 174
附錄13 基於生成對抗網路的地球化學異常識別代碼 181
附錄14 基於深度信念網路的地球化學異常識別代碼 191
附錄15 基於深度強化學習的礦產資源潛力評價代碼 195
附錄16 基於圖神經網路的礦產資源潛力評價代碼 201
附錄17 基於深度自注意力網路的礦產資源潛力評價代碼 210
附錄18 地質約束變分自編碼網路代碼 212
