成矿有利度的支持向量回归预测

金属矿山 ›› 2011, Vol. 40 ›› Issue (11): 120-123.

成矿有利度的支持向量回归预测

颜七笙^1,2

1.放射性地质与勘探技术国防重点学科实验室；2.东华理工大学数学与信息科学学院

出版日期:2011-11-15 发布日期:2011-11-17
基金资助:
* 江西省教育厅科技项目（编号：GJJ10500），江西省自然科学基金项目(编号：2009GQS0002)。

Prediction of the Contribution Degrees to the Metallogenesis Based on Support Vector Regression

Yan Qisheng^1,2

1.Fundamental Science on Radioactive Geology and Exploration Technology Laboratory；2.School of Mathematics & Information Science，East China Institute of Technology

Online:2011-11-15 Published:2011-11-17

摘要/Abstract

摘要： 应用基于量子粒子群算法（QPSO）寻优的支持向量回归（SVR）方法，对成矿有利度进行建模和预测研究，并与BP神经网络模型的预测结果进行了比较。结果表明：基于量子粒子群算法优化的支持向量机成矿预测模型能较好地拟合成矿有利度与其影响因素之间的高度非线性关系，且比BP神经网络模型具有更高的精度，说明支持向量回归方法用于成矿有利度预测是可行有效的。

关键词: 成矿预测, 支持向量机, 量子粒子群算法, BP神经网络

Abstract: The support vector regression(SVR)approach based on the quantum-behaved particle swarm optimization(QPSO)for its parameters optimization was proposed to predict the contribution degrees to the metallogenesis.The results show that the prediction precision of SVR method is superior to that of BP neural networks.It is suggested that SVR is an effective and powerful tool for predicting the contribution degrees to the metallogenesis.

Key words: Metallogenesis prediction, Support vector machines(SVM), Quantum-behaved particle swarm optimization, BP neural network

颜七笙. 成矿有利度的支持向量回归预测[J]. 金属矿山, 2011, 40(11): 120-123.

YAN Qi-Sheng. Prediction of the Contribution Degrees to the Metallogenesis Based on Support Vector Regression[J]. Metal Mine, 2011, 40(11): 120-123.

[1]	庞俊勇, 刘　俊, 郑靓婧, 李瑶鹤, 苏红艳. 基于GA-PSO 混合优化SVR 的边坡危岩体稳定性评价模型[J]. 金属矿山, 2024, 53(9): 237-.
[2]	陈延康, 郭广礼, 孟　浩, 张连贵, 郑　辉, 李怀展, 张浩宇. 陕蒙矿区深部开采导水裂隙带发育特征与高度预测方法[J]. 金属矿山, 2024, 53(4): 186-.
[3]	苗作华, 陈澳光朱良建赵成诚刘代文. 基于自适应CKF的改进LANDMARC井下定位算法研究[J]. 金属矿山, 2024, 53(01): 158-164.
[4]	宋明春, 周明岭, 鲍中义, 温桂军, 李世勇, 范家盟, 杨真亮, 贺春艳, 高美霞, 王洪军, 王永庆, 李瑞翔. 胶东深部金矿三维成矿预测及巨大的资源潜力[J]. 金属矿山, 2023, 52(01): 246-258.
[5]	何理, 刘易和, 李琳娜, 陈江伟, 姚颖康, 刘昌邦. 基于粒子群—最小二乘支持向量机模型的矿山爆破振动速度预测[J]. 金属矿山, 2022, 51(07): 145-150.
[6]	赵奎, 宋林, 曾鹏, 谢文健, 龚囱, 伍文凯, 刘宇. 单轴压缩条件下充填体—砂岩组合体破坏过程及前兆特征声发射试验研究[J]. 金属矿山, 2022, 51(05): 70-76.
[7]	郭鹏, 陈建立, 陈英男, 魏从玲, 薛艳. 河南老湾金矿带原生晕地球化学特征及深部找矿意义[J]. 金属矿山, 2022, 51(01): 205-212.
[8]	刘晓悦 , 季红瑜. 基于 AdaBoost-BAS-SVM模型的岩爆预测研究[J]. 金属矿山, 2021, 50(10): 28-34.
[9]	谭和勇, 叶萍, 孙丹, 彭江涛, 苏永峰. 河南栾川卡房钼矿区地质特征及找矿潜力[J]. 金属矿山, 2021, 50(09): 152-160.
[10]	赵兴东牛佳安汪为平, 肖益盖, 孙国权, 李连崇吕祥锋. 基于BP神经网络的矿石非计划贫化预测[J]. 金属矿山, 2021, 50(07): 34-39.
[11]	薛云松, 李祥涛, 周伟. 老挝巴乌县怀亮金矿地质地球化学特征及找矿预测[J]. 金属矿山, 2021, 50(03): 153-163.
[12]	梁新辉, 刘耀文, 王辉, 黄岚, 程蓓雷, 张怡静 . 豫西干树金矿钻孔原生晕地球化学特征及成矿预测[J]. 金属矿山, 2020, 49(12): 159-167.
[13]	赵亚蓓, 时建新, 苏衍坤. 基于ArcGIS的河南某金矿区成矿预测系统构建[J]. 金属矿山, 2020, 49(11): 191-196.
[14]	田九玲. 基于证据权模型的赤峰—呼伦贝尔成矿带找矿预测[J]. 金属矿山, 2020, 49(09): 167-172.
[15]	刘志远, 程小舟. 基于STM32的新型X荧光在线品位分析仪的研制与应用[J]. 金属矿山, 2020, 49(07): 178-186.

扫码分享