收藏本站
收藏 | 论文排版

基于梯度提升决策树与支持向量机融合模型的成矿预测研究

刘悦  
【摘要】:在成矿预测领域,地质资料种类丰富,数据量大,机器学习算法的优势得以体现,机器学习算法成矿预测逐渐辅助甚至替代了传统的找矿方式。但由于数据问题或各算法自身的局限性,单一算法在实际应用时各有利弊。如何弥补数据或算法的缺陷,更好地发挥机器学习的优势,值得研究与探索。因此,本文对机器学习中的经典算法支持向量机(SVM)在成矿预测领域的应用模型进行了改进,利用新疆东天山研究区的地球化学数据、构造数据、地层及岩体数据,通过构建梯度提升决策树(GBDT)与支持向量机(SVM)的融合模型,对新疆东天山地区进行了成矿预测。论文主要研究内容及成果如下:(1)研究区控矿要素的梳理及数据处理。系统的收集了研究区资料,了解研究区成矿模式;从多元数据类型中初步确定控矿要素,并利用GIS技术进行控矿要素的数据处理,构建机器学习模型训练数据集。(2)特征组合的构建。成矿预测领域特征的选取及处理大多基于专家经验,有较大的不确定性。因此本文在传统特征选取的基础上提出了GBDT-SVM模型,首先使用梯度提升决策树(GBDT)算法构建特征组合,再将特征组合作为新的特征,用于支持向量机(SVM)分类模型的构建,弥补了支持向量机(SVM)算法在特征选取方面的不足。(3)粒子群寻优算法的改进。支持向量机(SVM)算法中的一个核心问题就是参数的选取,本文采用了粒子群(PSO)算法进行参数组合寻优,针对粒子群算法在寻优后期容易陷入局部最小的问题进行了改进,提高了模型的分类精度。(4)利用本文提出的GBDT-SVM模型与随机森林(RF)模型、支持向量机(SVM)模型和梯度提升决策树(GBDT)模型分别对新疆东天山研究区进行了成矿预测,并对结果进行了对比与分析。通过预测结果的直观对比与基于模型精确度(ACC)和ROC曲线下面积(AUC)指标的对比得出,相比于单一的预测模型,GBDT-SVM融合模型对矿点、非矿点都具有良好的区分能力,整体分类精度最高,预测效果最好。


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 吴与玮;;基于改进的支持向量机决策树电梯载重分类方法研究[J];中国设备工程;2019年22期
2 姜明辉;袁绪川;冯玉强;;PSO-SVM模型的构建与应用[J];哈尔滨工业大学学报;2009年02期
3 崔东文;金波;;基于改进的回归支持向量机模型及其在年径流预测中的应用[J];水力发电学报;2015年02期
4 李楠;石超峰;;基于粒子群算法优化支持向量机的公路客运量预测[J];公路与汽运;2014年04期
5 颜七笙;;成矿有利度的支持向量回归预测[J];金属矿山;2011年11期
6 柳炳祥;曹坤;洪晶;;一种改进的决策树遗传算法融合模型[J];微计算机信息;2007年12期
7 曲朝阳;高宇峰;聂欣;;基于决策树的网络故障诊断专家系统模型[J];计算机工程;2008年22期
8 滕少华;胡俊;张巍;刘冬宁;;支持向量机与哈夫曼树实现多分类的研究[J];江西师范大学学报(自然科学版);2014年04期
9 左林;;一个新的稀疏支持向量机模型[J];山西师范大学学报(自然科学版);2008年03期
10 胡俊;滕少华;张巍;刘冬宁;;支持向量机与哈夫曼树实现多分类的研究[J];广东工业大学学报;2014年02期
11 厉小润;赵光宙;赵辽英;;决策树支持向量机多分类器设计的向量投影法[J];控制与决策;2008年07期
12 袁航;谢玮;毕臣臣;岳占伟;刘伟;刘学清;;基于支持向量机的时深建模方法[J];大庆石油地质与开发;2018年03期
13 罗芳琼;吴春梅;黄鸿柳;黄秋勇;;优化支持向量机在降水预报中的应用[J];数学的实践与认识;2017年24期
14 焦树军;安志江;;基于最大间隔的决策树归纳算法[J];科技信息;2011年25期
15 焦树军;安志江;;基于最大间隔的决策树归纳算法[J];科技视界;2011年01期
16 狄振华;黄珊珊;罗明;;一种粒子群算法优化支持向量机的汽车故障诊断方法研究[J];小型内燃机与车辆技术;2018年01期
17 李慧;李晓东;宿晓曦;;一种优化参数的支持向量机驾驶意图识别[J];实验室研究与探索;2018年02期
18 谢徵;田建艳;王芳;党亚男;;基于几何参数特征与决策树支持向量机的猪只姿态分类[J];黑龙江畜牧兽医;2015年19期
中国重要会议论文全文数据库 前10条
1 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年
2 汪荣贵;孙见青;胡琼;李守毅;;一种新的支持向量机决策树及其应用[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
3 张正伟;蔡克勘;徐章华;;成矿预测学的理论与技术方法的几点思考[A];第四届全国青年地质工作者学术讨论会论文集[C];1999年
4 刘鹏;姚正;尹俊杰;;一种实用有效的决策树改进模型及其实现[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
5 齐文凯;赵和仓;陈永宁;刘同庆;曹奋扬;;安徽沿江地区多源地学信息成矿预测[A];1999年中国地球物理学会年刊——中国地球物理学会第十五届年会论文集[C];1999年
6 刘文玉;吴湘滨;张宝一;;基于空间数据挖掘的隐伏矿体三维定量成矿预测研究[A];第十三届全国数学地质与地学信息学术研讨会论文集[C];2014年
7 秦凯;赵英俊;孙雨;李瀚波;;航空高光谱遥感技术成矿预测方法研究[A];第一届全国青年地质大会论文集[C];2013年
8 王晓红;;一种改进多类支持向量机加权后验概率重构策略[A];2009中国控制与决策会议论文集(3)[C];2009年
9 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
10 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
中国博士学位论文全文数据库 前10条
1 王快妮;支持向量机鲁棒性模型与算法研究[D];中国农业大学;2015年
2 陈广洲;多源信息耦合的成矿预测新模型研究[D];合肥工业大学;2010年
3 殷延端;铜陵矿集区桂山地区铜多金属矿的成矿预测研究[D];合肥工业大学;2018年
4 林楠;基于遥感地质与地球化学信息的成矿预测模型研究[D];吉林大学;2015年
5 彭诗力;大规模混合数据分类的核方法研究[D];天津大学;2017年
6 肖雅静;基于支持向量机的滚动轴承故障诊断与预测方法研究[D];中国矿业大学(北京);2019年
7 胡庆辉;非稀疏多核支持向量机学习方法研究[D];武汉大学;2015年
8 李培志;支持向量机模型的优化及其应用研究[D];东北财经大学;2019年
9 侯秋玲;基于结构信息的支持向量机模型和算法研究[D];中国农业大学;2017年
10 李海生;支持向量机回归算法与应用研究[D];华南理工大学;2005年
中国硕士学位论文全文数据库 前10条
1 刘悦;基于梯度提升决策树与支持向量机融合模型的成矿预测研究[D];中国地质大学(北京);2020年
2 穆艳峥;基于模糊隶属度去噪声的决策树支持向量[D];河北大学;2010年
3 谢徵;基于决策树支持向量机的猪只姿态分类与异常行为分析[D];太原理工大学;2015年
4 李飞;基于改进粒子群算法的支持向量机参数优化[D];河北工业大学;2015年
5 初红霞;智能决策支持系统中模型自动选择的研究[D];哈尔滨工程大学;2006年
6 张拥华;基于支持向量机的金融时间序列研究[D];湖南大学;2008年
7 任慧;生活满意度调查中的支持向量机应用及分类模型比较[D];北京理工大学;2016年
8 陈杰;基于遗传算法的决策树剪枝方法[D];河北大学;2010年
9 赵帅群;动态粒度支持向量机分类模型[D];山西大学;2020年
10 宋妍;转导支持向量机在数据预测中的应用[D];中国海洋大学;2011年
中国重要报纸全文数据库 前10条
1 ACCAF5业绩管理考试小组成员;决策树(上)[N];中国会计报;2015年
2 陈芝蓉;举棋不定时 试试决策树[N];健康报;2004年
3 郭桦;我国可燃冰成矿预测获突破[N];中国化工报;2013年
4 钟南;有色成矿预测重点实验室通过论证[N];中国有色金属报;2009年
5 刘庆;Excel决策树之初体验[N];网络世界;2006年
6 通讯员 马红熳 记者 罗会江;四川成矿预测研究瞄准重点矿种[N];中国国土资源报;2008年
7 孙永玉;金星加强深部成矿预测科研工作[N];中国黄金报;2007年
8 记者 张新生;巴西开发出有预测能力的软件“决策树”[N];科技日报;2012年
9 徐瑾;模型思维,其实也是复杂思维[N];经济观察报;2020年
10 首席记者 吴温 通讯员 郭旭梅;温控模型精准控制温度[N];石家庄日报;2020年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978