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

BP神经网络改进TSVM的矿产资源评价模型研究

^{1^{中国矿业大学(北京)机电与信息工程学院,北京100083;²北京邮电大学软件学院,北京100876}}

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
计量
- 文章访问数: 758
- HTML全文浏览量: 55
- PDF下载量: 798
- 被引次数: 0
出版历程
- 收稿日期: 2016-04-28
- 刊出日期: 2016-10-29

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

¹School of Mechanical Electronic and Information Engineering,China University of Mining and Technology, Beijing 100083, China;
²School of Software,Beijing University of Posts and Telecommunications,Beijing 100876,China

摘要

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。
- TSVM /
- BP神经网络 /
- 矿产资源 /
- 评价 /
- 半监督
Abstract: In the study of mineral resources evaluation model, the problem that the number of positive samples must be specified in the TSVM in the unlabeled samples. Then this article applied the improved algorithm to the evaluation of mineral resources, and the algorithm is TSVM based on BP neural network and BP-TSVM for short. The SVM is applied to studying the discernment and classification of labeling samples. We will annotate the plus or minus of unlabeled data within the boundary of already classified by utilizing BP neural network. The labeling samples as learned by SVM in the next iteration. The new algorithm will avoid decreased classified ability. TSVM can have more accurate estimates of number of plus of labeled data. Also, the number of training samples can reduce training times. The experimental result proves that compared with conventional SVM,TSVM and BP neural network the BP-TSVM is more accurate in evaluation of mineral resources.
- TSVM /
- BP neural network /
- mineral resources /
- evaluation /
- semi supervised

HTML全文

参考文献(18)

[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.

施引文献

资源附件(0)

访问统计

点击查看大图

计量

文章访问数: 758
HTML全文浏览量: 55
PDF下载量: 798
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

BP神经网络改进TSVM的矿产资源评价模型研究

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。

计量

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

计量

目录

留言板

BP神经网络改进TSVM的矿产资源评价模型研究

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。

计量

出版历程

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

计量

出版历程

目录

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。