留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

BP神经网络改进TSVM的矿产资源评价模型研究

赵学军 李育珍 武文斌

赵学军, 李育珍, 武文斌. BP神经网络改进TSVM的矿产资源评价模型研究[J]. 矿业科学学报, 2016, 1(2): 188-195.
引用本文: 赵学军, 李育珍, 武文斌. BP神经网络改进TSVM的矿产资源评价模型研究[J]. 矿业科学学报, 2016, 1(2): 188-195.
Zhao Xuejun, Li Yuzhen, Wu Wenbin. Mineral resources evaluation model research based on BP neural network and TSVM algorithm[J]. Journal of Mining Science and Technology, 2016, 1(2): 188-195.
Citation: Zhao Xuejun, Li Yuzhen, Wu Wenbin. Mineral resources evaluation model research based on BP neural network and TSVM algorithm[J]. Journal of Mining Science and Technology, 2016, 1(2): 188-195.

BP神经网络改进TSVM的矿产资源评价模型研究

基金项目: 国家高技术研究发展计划(863计划)(2012AA12A308)
国家高技术研究发展计划(1212011120222)
国土资源部公益性行业专项(201211003)
详细信息
    作者简介:

    赵学军(1962—),女,北京人,教授,主要从事遥感图像处理、计算机图形图像处理、高光谱压缩技术、图像融合、机器学习和数据挖掘等方面的研究。

  • 中图分类号: TP751.1

Mineral resources evaluation model research based on BP neural network and TSVM algorithm

  • 摘要: 在矿产资源评价模型研究中,针对TSVM在未标识样本中必须指定正标识样本数这一问题,本文提出了一种新的改进算法对矿产资源进行评价,即基于BP神经网络优化的直推式支持向量机(BP-TSVM)。通过支持向量机将有标签样本进行识别分类,利用BP神经网络对已分类的边界内的无标签样本进行正负标注,然后作为下一次支持向量机训练时的有标签样本。提出的新算法避免了分类性能下降的问题,使得TSVM对正标签样本NP的估计更准确。同时,由于训练样本数量的保持使得训练时间大大减少。实验结果表明,与传统的SVM算法、TSVM算法和BP神经网络算法相比,本文提出的BP-TSVM算法能更准确地评价矿产资源。
  • [1] 吴初国.美俄矿产资源评价工作比较[J].国土资源情报,2011(129):16-19.Wu Chuguo. The comparison of mineral resources evaluation in the United States and Russia[J]. Land and Resources Information, 2011(129):16-19.
    [2] 陈永清, 陈建国, 汪新庆,等.基于GIS矿产资源综合定量评价技术[M].北京:地质出版社, 2008:194-198.
    [3] 陈毅松,汪国平,董士海.基于支持向量机的渐进直推式分类学习算法[J].软件学报,2003,14(3):451-460.Chen Yisong, Wang Guoping, Dong Shihai. A progressive transductive inference algorithm based on support vector machine[J]. Journal of Software, 2003,14(3):451-460.
    [4] 严冰,阳正熙,周莉,等. 证据权法成矿预测模型结合分形模型在成矿预测中的应用研究[J].矿业研究与开发,2012,32(1):29-33.Yan Bing, Yang Zhengxi, Zhou Li, et al. Application of the combination of weightsofevidence model and fractal model in metallogenic prediction[J]. Mining Research and development, 2012,32(1):29-33.
    [5] 肖克炎,丁建华,刘锐,等.美国“三步式”固体矿产资源潜力评价方法评述[J].地质评论,2006,52(6):793-798.Xiao Keyan, Ding Jianhua, Liu Rui, et al. The discussion of threepart form of nonfuel mineral resource assessment[J]. Geological Review, 2006,52(6):793-798.
    [6] 肖克炎, 王勇毅, 陈郑辉,等.中国矿产资源评价新技术与评价新模型[M].北京:地质出版社, 2006:177-194.
    [7] 李楠,肖克炎, 郭科,等.BP神经网络矿产资源评价程序模块设计及其应用研究——以东天山铜镍硫化物矿床为例[J].国土资源科技管理, 2012, 29(6):21-26.Li Nan, Xiao Keyan, Guo Ke, et al. Application of BP neural network in assessment of mineral resources:with CuNi sulfide deposit in east tianshan area as an example[J]. Scientific and Technological Management of Land and Resources, 2012, 29(6):21-26.
    [8] 刘俊, 曹静平, 张晓黎,等.BP神经网络在矿产资源评价中的应用[J].安徽地质,2007,17(2):114-117.Liu Jun, Cao Jingping, Zhang Xiaoli, et al. Application of BP neural network to evaluation of mineral resources[J]. Geology of Anhui, 2007,17(2):114-117.
    [9] 徐庆伶.基于半监督学习的遥感图像分类研究[D].西安:陕西师范大学,2010.
    [10] 李二珠.半监督支持向量机高光谱遥感影像分类[D].徐州:中国矿业大学,2014.
    [11] Maulik U,Chakraborty D. Learning with transductive SVM for semisupervised pixel classification of remote sensing imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2013,77 :66-78.
    [12] Singla A,Patra S,Bruzzone L. A novel classification technique based on progressive transductive SVM learning[J]. Pattern Recognition Letters,2014,42:101-106.
    [13] 王利文.直推式支持向量机的研究学习[D].重庆:重庆大学,2014.
    [14] Liu Hong, Huang Shangteng. Fuzzy transductive support vector machine for hypertext classification. Internat[J]. International Journal of Uncertainty Fuzziness and KnowledgeBased Systems.2004, 12(1):21-36.
    [15] Ye Wang. Training TSVM with the proper number of positive samples[J].Pattern Recognition Letters,2005,26(14):2187-2194.
    [16] 丁要军, 蔡皖东.采用两阶段策略模型(KTSVM)的 P2P 流量识别方法[J].西安交通大学学报,2012,46(2):45-50.Ding Yaojun, Cai Wandong. P2P traffic identification via kmeans based transductive support vector machine[J]. Journal of Xian Jiaotong University, 2012,46(2):45-50.
    [17] 齐芳,冯昕,徐其江.基于人工鱼群优化的直推式支持向量机分类算法[J].计算机应用与软件,2013,30(3):294-296.Qi Fang, Feng Xin, Xu Qijiang. Transductive support vector machine classification algorithm based on artificial fish school optimisation[J]. Computer Applications and Software, 2013,30(3):294-296.
    [18] 李东,周可法,孙卫东,等.BP神经网络和SVM在矿山环境评价中的应用分析[J].干旱区地理,2015,38(1):128-134.Li Dong, Zhou Kefa, Sun Weidong, et al. Application of BP neural network and SVM in mine environmental assessment[J]. Arid Land Geography, 2015,38(1):128-134.
  • 加载中
计量
  • 文章访问数:  539
  • HTML全文浏览量:  18
  • PDF下载量:  788
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-04-28
  • 刊出日期:  2016-10-29

目录

    /

    返回文章
    返回