10.13278/j.cnki.jjuese.20200305
基于PCA-SVM算法对稀土元素与稀土判别指标耦合数据集的铀矿床分类
不同类型铀矿床的沥青铀矿/晶质铀矿具有不同的稀土元素组成,其组成可作为判别铀矿床类型的重要指标.采用基于Python语言的主成分分析(principal component analysis,PCA)与支持向量机(support vector machines,SVM)结合的分类模型,对收集到的全球已知6种类型铀矿床的216组沥青铀矿/晶质铀矿稀土元素数据进行研究.以216组数据为训练集,通过数据清洗、特征缩放、PCA特征提取、网格搜索和交叉验证参数寻优构建SVM分类模型,对24组同变质型胡家峪晶质铀矿进行智能识别.研究结果显示:仅使用稀土元素的14维训练集最优模型判定胡家峪晶质铀矿类型的测试准确率为0.4%;由稀土元素、稀土总量、轻重稀土比、铕异常组成的17维训练集最优模型的测试准确率为75.0%,较14维训练集提高74.6%,模型泛化能力强;而通过传统稀土元素配分曲线、w(∑REE)-(LREE/HREE)N图解不能有效判定胡家峪晶质铀矿类型.本次研究表明,PCA-SVM算法对增有传统稀土判别指标数据集进行挖掘可有效厘定铀氧化物成因类型,效果明显优于单纯的稀土元素数据集以及传统的稀土配分曲线、w (∑REE)-(LREE/HREE)N图解.
铀氧化物、稀土元素、传统稀土判别指标、主成分分析、支持向量机、分类
51
P619.14(矿床学)
深地资源勘查开采专项;"十三五"国防预先研究项目;中国核工业地质局地勘费科研项目;国土资源部科技创新团队培育计划项目;自然资源部东北亚矿产资源评价重点实验室开放课题
2021-07-01(万方平台首次上网日期,不代表论文的发表时间)
共11页
723-733