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]	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.
[2]	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.
[3]	何晓华 . 爆堆前冲和后冲距离的 GSM/GA-SVM预测模型[J]. 金属矿山, 2020, 49(06): 177-183.
[4]	孙振华, 杨天鸿, 安琦, 辛全明 . 基于IAGA+M-SVR的岩土参数反分析方法及其工程应用[J]. 金属矿山, 2020, 49(04): 32-38.
[5]	蔡安江, 李涛, 王洪波, 田凤阳, 杨洁 . 带式输送机故障准确诊断方法[J]. 金属矿山, 2020, 49(04): 130-134.
[6]	齐留洋, 王德胜, 刘占全, 崔凤, 徐晓东, 郭建新. 矿山预裂爆破效果预测的BP神经网络法[J]. 金属矿山, 2019, 48(07): 65-69.
[7]	陈竹安, 熊鑫, 危小建. 利用卡尔曼滤波综合算法构建开采沉陷预测模型[J]. 金属矿山, 2019, 48(05): 132-136.
[8]	冯腾飞, 刘小生, 钟钰, 马玉清. 矿区边坡变形预测的IGM-LSSVM模型[J]. 金属矿山, 2019, 48(03): 168-172.
[9]	唐学飞, 杨光, 高鹏, 张臣一. 基于LM-BP神经网络的浮选药剂流量预测模型研究[J]. 金属矿山, 2019, 48(02): 200-204.
[10]	朱贤, 苏特, 胡绪云, 黄小军, 赵杰. 湘西南地区基性—超基性岩型硫化镍矿找矿前景[J]. 金属矿山, 2019, 48(01): 141-149.
[11]	苏特, 钱建平, 彭桥梁, 王铂云, 关显东. 湖南龙山金锑矿床成矿构造分析及深部成矿预测[J]. 金属矿山, 2018, 47(11): 103-111.
[12]	白旭晖. 新疆阿舍勒铜矿区地质特征及三维成矿预测[J]. 金属矿山, 2018, 47(10): 146-150.
[13]	陈慧, 韩恒梅. 江西盘古山钨矿区开采沉陷预计的GA-SVA算法[J]. 金属矿山, 2018, 47(1): 143-146.
[14]	方懿. GPS高程拟合方法研究[J]. 金属矿山, 2017, 46(10): 43-46.
[15]	陈健峰. 矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型[J]. 金属矿山, 2017, 46(07): 128-132.