本發(fā)明涉及成礦預(yù)測(cè)，尤其是涉及一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法。

背景技術(shù)：

1、礦產(chǎn)資源勘探和開(kāi)發(fā)一直是地學(xué)領(lǐng)域的重點(diǎn)研究方向。隨著對(duì)礦產(chǎn)的不斷開(kāi)發(fā)，人們不得不向地下深處不斷探索，這也意味著勘探難度不斷增加。

2、早期傳統(tǒng)的礦產(chǎn)預(yù)測(cè)方法主要依賴于地質(zhì)專家的經(jīng)驗(yàn)和判斷，存在主觀性強(qiáng)、預(yù)測(cè)精度較低等問(wèn)題。隨著勘探技術(shù)的不斷進(jìn)步，可獲取的地學(xué)數(shù)據(jù)呈幾何級(jí)數(shù)增長(zhǎng)，為礦產(chǎn)預(yù)測(cè)提供了大量原始數(shù)據(jù)。使得采用傳統(tǒng)方法對(duì)這些數(shù)據(jù)進(jìn)行深層信息的挖掘變得十分困難。

3、近年來(lái)，機(jī)器學(xué)習(xí)等人工智能技術(shù)在地學(xué)領(lǐng)域得到廣泛應(yīng)用，能夠利用海量地質(zhì)數(shù)據(jù)進(jìn)行客觀、高效的成礦預(yù)測(cè)?，F(xiàn)有基于機(jī)器學(xué)習(xí)的成礦預(yù)測(cè)模型多數(shù)僅依賴于地質(zhì)數(shù)據(jù)本身，大多只關(guān)注單一數(shù)據(jù)源的分析，缺乏對(duì)多源地學(xué)知識(shí)的充分利用。所以如何更好地捕捉數(shù)據(jù)的潛在結(jié)構(gòu)，提高模型性能也是研究的關(guān)鍵。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，通過(guò)主成分分析方法在多種特征中選出對(duì)成礦預(yù)測(cè)具有重要影響的特征，去除冗余和噪聲，提升模型的計(jì)算效率和預(yù)測(cè)性能。通過(guò)引入貝葉斯優(yōu)化算法能夠自動(dòng)搜索和調(diào)整最佳超參數(shù)組合，減少人工干預(yù)，有效提升預(yù)測(cè)模型的訓(xùn)練效率和性能。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，包括以下步驟：

3、s1、采集非礦點(diǎn)和已知礦點(diǎn)的地物化遙綜合數(shù)據(jù)作為原始數(shù)據(jù)，對(duì)原始數(shù)據(jù)進(jìn)行清理，處理成礦預(yù)測(cè)變量的缺失值；

4、s2、采用優(yōu)化的主成分分析pca方法，對(duì)總樣本數(shù)據(jù)集中特征值進(jìn)行標(biāo)準(zhǔn)化后，計(jì)算特征之間的協(xié)方差，對(duì)協(xié)方差矩陣的特征值進(jìn)行分解，并結(jié)合貝葉斯優(yōu)化算法，自動(dòng)確定最佳的主成分?jǐn)?shù)量，根據(jù)數(shù)據(jù)方差的貢獻(xiàn)率選擇主要的特征向量，將原始數(shù)據(jù)投影到選定的主成分方向上；

5、s3、構(gòu)建xgboost模型，定義超參數(shù)搜索空間，并設(shè)置目標(biāo)優(yōu)化函數(shù)、迭代次數(shù)和初始點(diǎn)，初始化貝葉斯優(yōu)化算法；

6、s4、使用貝葉斯優(yōu)化算法，通過(guò)交叉驗(yàn)證輔助，自動(dòng)搜索xgboost模型的最佳超參數(shù)組合；

7、s5、使用經(jīng)過(guò)bo優(yōu)化后的xgboost模型對(duì)訓(xùn)練集進(jìn)行最終的模型訓(xùn)練；使用最終模型對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行預(yù)測(cè)。

8、優(yōu)選的，所述s1中，成礦預(yù)測(cè)變量由鉆孔數(shù)據(jù)提取和反距離插值計(jì)算得到；a,b,c,...為成礦預(yù)測(cè)變量，s＝{a,b,c,...}，s為成礦預(yù)測(cè)變量的集合；y為所取數(shù)據(jù)的標(biāo)簽集，總樣本數(shù)據(jù)集d＝s∪y；

9、對(duì)于總樣本數(shù)據(jù)集中存在的缺失值，采用均值填補(bǔ)法進(jìn)行處理。

10、優(yōu)選的，所述s2中，對(duì)特征值進(jìn)行標(biāo)準(zhǔn)化是通過(guò)計(jì)算每個(gè)特征xj的均值uj和標(biāo)準(zhǔn)差σj，對(duì)每個(gè)特征xj進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化公式為：

11、

12、優(yōu)選的，所述s2中，標(biāo)準(zhǔn)化后數(shù)據(jù)集的協(xié)方差矩陣c為：

13、

14、其中，x'i表示第i個(gè)樣本的標(biāo)準(zhǔn)化值；u'是特征的均值向量；m是樣本數(shù)量。

15、優(yōu)選的，所述s2中，對(duì)協(xié)方差矩陣c特征值進(jìn)行分解，得到特征值λj和對(duì)應(yīng)的特征向量vj：

16、cvj＝λjvj???(3)

17、特征值λj表示數(shù)據(jù)在對(duì)應(yīng)特征向量vj方向上的方差大?。?/p>

18、對(duì)所有特征值進(jìn)行降序排列，計(jì)算累計(jì)方差貢獻(xiàn)率：

19、

20、其中，k表示選取的主成分?jǐn)?shù)量，n表示總的特征數(shù)量，計(jì)算累計(jì)貢獻(xiàn)率達(dá)到95％的k值。

21、優(yōu)選的，所述s2中，設(shè)置目標(biāo)優(yōu)化函數(shù)、初始化貝葉斯優(yōu)化器，使用初始的xgboost模型，引入5折交叉驗(yàn)證進(jìn)行輔助，進(jìn)行貝葉斯優(yōu)化。使用經(jīng)過(guò)貝葉斯優(yōu)化獲得的最佳主成分?jǐn)?shù)量k'進(jìn)行主成分特征選擇；使用選擇的k'個(gè)主成分對(duì)應(yīng)的特征向量v1,v2,…,vk'構(gòu)建投影矩陣p，對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行降維轉(zhuǎn)換：

22、x降維＝x'p?(5)

23、其中，x降維是降維后的數(shù)據(jù)集，x'是標(biāo)準(zhǔn)化后的數(shù)據(jù)集。

24、優(yōu)選的，所述s3具體為：定義xgboost模型中需要優(yōu)化超參數(shù)的取值范圍，目標(biāo)優(yōu)化函數(shù)是貝葉斯優(yōu)化過(guò)程中需要最小化或最大化的目標(biāo)，引入5折交叉驗(yàn)證獲取穩(wěn)定的性能指標(biāo)。

25、優(yōu)選的，所述優(yōu)化超參數(shù)為學(xué)習(xí)率、最大深度、基礎(chǔ)模型數(shù)量、控制樹(shù)的分裂條件、子樣本比例、列采樣比例。

26、優(yōu)選的，所述s4中，選擇初始的超參數(shù)組合，并評(píng)估對(duì)應(yīng)的模型性能指標(biāo)，基于已觀察的性能數(shù)據(jù)集，利用高斯過(guò)程構(gòu)建概率模型來(lái)近似目標(biāo)函數(shù)；通過(guò)優(yōu)化acquisition函數(shù)決定下一個(gè)待評(píng)估的超參數(shù)組合；通過(guò)5折交叉驗(yàn)證評(píng)估新的超參數(shù)組合對(duì)應(yīng)的模型性能，并將其添加到已觀察的數(shù)據(jù)集中；更新高斯過(guò)程模型；迭代以上步驟直到最大迭代次數(shù)。

27、優(yōu)選的，所述s5具體為：使用經(jīng)過(guò)bo優(yōu)化后的最佳超參數(shù)配置到xgboost模型中做最終訓(xùn)練，得到最終模型；使用最終模型對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行預(yù)測(cè)。

28、本發(fā)明所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法的優(yōu)點(diǎn)和積極效果是：

29、1、本發(fā)明通過(guò)改進(jìn)的主成分分析方法，有效識(shí)別和提取成礦預(yù)測(cè)中具有關(guān)鍵作用的特征，去除冗余信息和噪聲數(shù)據(jù)，在應(yīng)對(duì)復(fù)雜和高維數(shù)據(jù)時(shí)，顯著提升了模型的計(jì)算效率與預(yù)測(cè)性能。

30、2、通過(guò)引入貝葉斯優(yōu)化算法，能夠自動(dòng)搜索和調(diào)整最優(yōu)超參數(shù)組合，顯著減少人工干預(yù)，提升訓(xùn)練效率。

31、3、本發(fā)明通過(guò)交叉驗(yàn)證及系統(tǒng)的參數(shù)優(yōu)化，提升了模型在未知數(shù)據(jù)上的泛化能力，確保模型在實(shí)際應(yīng)用中的穩(wěn)定性和可靠性，滿足不同環(huán)境下的預(yù)測(cè)需求。

32、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。

技術(shù)特征：

1.一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s1中，成礦預(yù)測(cè)變量由鉆孔數(shù)據(jù)提取和反距離插值計(jì)算得到；a,b,c,...為成礦預(yù)測(cè)變量，s＝{a,b,c,...}，s為成礦預(yù)測(cè)變量的集合；y為所取數(shù)據(jù)的標(biāo)簽集，總樣本數(shù)據(jù)集d＝s∪y；

3.根據(jù)權(quán)利要求2所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s2中，對(duì)特征值進(jìn)行標(biāo)準(zhǔn)化是通過(guò)計(jì)算每個(gè)特征xj的均值uj和標(biāo)準(zhǔn)差σj，對(duì)每個(gè)特征xj進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化公式為：

4.根據(jù)權(quán)利要求3所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s2中，標(biāo)準(zhǔn)化后數(shù)據(jù)集的協(xié)方差矩陣c為：

5.根據(jù)權(quán)利要求4所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s2中，對(duì)協(xié)方差矩陣c特征值進(jìn)行分解，得到特征值λj和對(duì)應(yīng)的特征向量vj：

6.根據(jù)權(quán)利要求5所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s2中，設(shè)置目標(biāo)優(yōu)化函數(shù)、初始化貝葉斯優(yōu)化器，使用初始的xgboost模型，引入5折交叉驗(yàn)證進(jìn)行輔助，進(jìn)行貝葉斯優(yōu)化；使用經(jīng)過(guò)貝葉斯優(yōu)化獲得的最佳主成分?jǐn)?shù)量k'進(jìn)行主成分特征選擇；使用選擇的k'個(gè)主成分對(duì)應(yīng)的特征向量v1,v2,…,vk'構(gòu)建投影矩陣p，對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行降維轉(zhuǎn)換：

7.根據(jù)權(quán)利要求6所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s3具體為：定義xgboost模型中需要優(yōu)化超參數(shù)的取值范圍，目標(biāo)優(yōu)化函數(shù)是貝葉斯優(yōu)化過(guò)程中需要最小化或最大化的目標(biāo)，引入5折交叉驗(yàn)證獲取穩(wěn)定的性能指標(biāo)。

8.根據(jù)權(quán)利要求7所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述優(yōu)化超參數(shù)為學(xué)習(xí)率、最大深度、基礎(chǔ)模型數(shù)量、控制樹(shù)的分裂條件、子樣本比例、列采樣比例。

9.根據(jù)權(quán)利要求8所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s4中，選擇初始的超參數(shù)組合，并評(píng)估對(duì)應(yīng)的模型性能指標(biāo)，基于已觀察的性能數(shù)據(jù)集，利用高斯過(guò)程構(gòu)建概率模型來(lái)近似目標(biāo)函數(shù)；通過(guò)優(yōu)化acquisition函數(shù)決定下一個(gè)待評(píng)估的超參數(shù)組合；通過(guò)5折交叉驗(yàn)證評(píng)估新的超參數(shù)組合對(duì)應(yīng)的模型性能，并將其添加到已觀察的數(shù)據(jù)集中；更新高斯過(guò)程模型；迭代以上步驟直到最大迭代次數(shù)。

10.根據(jù)權(quán)利要求9所述的一種基于bo-pca-xgboost模型的成礦預(yù)測(cè)方法，其特征在于：所述s5具體為：使用經(jīng)過(guò)bo優(yōu)化后的最佳超參數(shù)配置到xgboost模型中做最終訓(xùn)練，得到最終模型；使用最終模型對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行預(yù)測(cè)。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于BO?PCA?XGBoost模型的成礦預(yù)測(cè)方法，屬于成礦預(yù)測(cè)技術(shù)領(lǐng)域?；贐O?PCA?XGBoost模型的成礦預(yù)測(cè)方法，包括以下步驟：S1、采集非礦點(diǎn)和已知礦點(diǎn)的地物化遙綜合數(shù)據(jù)，處理成礦預(yù)測(cè)變量的缺失值；S2、采用優(yōu)化的主成分分析PCA方法，提取礦點(diǎn)樣本主特征，在保持?jǐn)?shù)據(jù)主要信息的同時(shí)，降低特征維度，消除噪聲；S3、構(gòu)建初始XGBoost模型，定義超參數(shù)搜索空間，并設(shè)置目標(biāo)優(yōu)化函數(shù)、迭代次數(shù)和初始點(diǎn)，初始化貝葉斯優(yōu)化算法；S4、使用貝葉斯優(yōu)化算法，自動(dòng)搜索XGBoost模型的最佳超參數(shù)組合；S5、使用經(jīng)過(guò)BO優(yōu)化后的XGBoost模型對(duì)訓(xùn)練集進(jìn)行最終的模型訓(xùn)練。采用上述基于BO?PCA?XGBoost模型的成礦預(yù)測(cè)方法，能夠更好地處理高維數(shù)據(jù)，提升模型的預(yù)測(cè)效果，實(shí)現(xiàn)對(duì)成礦潛力區(qū)域的精準(zhǔn)預(yù)測(cè)。

技術(shù)研發(fā)人員：孔春芳,趙杰,徐凱,吳沖龍,李巖,田宜平,李必億,周廣隆,徐城陽(yáng),呂維逸,董洋,向世澤,武永進(jìn),黃子賢,田倩
受保護(hù)的技術(shù)使用者：中國(guó)地質(zhì)大學(xué)（武漢）
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9