基于粒子群智能的遥感找矿方法研究

论文摘要

利用现代遥感技术辅助矿产资源勘查,是快速有效的勘查支持方法,但由于遥感影像中各种矿化蚀变信息是一类弱信息,传统方法的提取效果仍存在许多方面问题有待于进一步提高或改进。矿化蚀变信息提取是遥感矿产勘查中的关键技术,因此对现有的技术进行深入研究,将新技术、新方法应用到遥感矿化蚀变信息提取中,提高遥感找矿的效率与可信度,具有非常重要的理论和实际意义。本文结合一项“十一五”国家科技支撑计划项目和一项青海省重大科技攻关项目的研究工作,建立了一种新的基于粒子群智能的遥感找矿辅助方法。通过对大规模组合优化问题的优化和求解方法研究,提出了符合蒙特卡罗算法性质的化简模型,揭示了问题优化解之间的多种性质。将上述研究结论应用于多种智能计算方法的实验结果表明,智能算法的收敛质量得到明显地提高。对比试验结果显示,粒子群智能在离散问题求解中具有较其它智能计算方法更好的搜索性能,确定以粒子群智能作为本项研究工作的核心技术。在对粒子群智能的机理研究基础上,建立了基于粒子群智能的二维离散空间搜索框架模型。模型中二维离散空间中的点赋予引力,粒子在引力作用下以模拟智能生命的概率控制方式飞翔。由于模型中使用了引力机制,使得搜索模型具备常规方法缺乏的全局性,引力衰减机制的引入增强了模型的鲁棒性,因此新提出的搜索模型具有良好的人性化指标。将粒子群智能搜索框架和线性混合像元分解两个模型结合,建立了基于粒子群智能的混合像元分解新方法。首先利用粒子群智能搜索算法进行尝试性分解搜索,然后根据搜索结果再进行线性混合像元分解,在一定程度上解决了常规混合像元分解方法中存在诸如线性配准不可控、误判、缺乏全局性等问题。对比实验结果表明:新分解方法的分解结果更符合影像中目标地物的展布情况,表现了良好的全局性,保留了更多的遥感找矿信息。通过对遥感影像中矿物岩石光谱特征的研究与分析,提出了一种矿物岩石光谱特征“漂移”假说,将该假说与粒子群智能搜索模型结合,建立了基于粒子群智能的矿化蚀变信息提取方法。由于遥感影像分辨率尚没有达到理想状态,所以像元通常是多种地物的混合光谱,造成矿化地物光谱部分波段出现偏移,利用这种现象建立了地物类别划分方法。同时在新方法中使用新的邻域搜索参考模型,增强了方法在搜索过程中对邻域信息的参考强度,使得分类结果的全局性得到了进一步加强。在此基础上,将粒子群智能行为特征以量化方式表示,建立了一种新的分类结果密度分布模型,为下一步遥感找矿奠定基础。针对支持向量机分类器进行遥感矿化蚀变信息的提取,建立了粒子群智能快速优选支持向量机分类器超参数的方法。通过对分类器两个关键参数对分类结果影响情况的分析,确定以整数编码方式以及k-折交叉验证作为适应度评价实现参数优选搜索;同时提出了两点中心法和多点重心法两种启发式策略,进一步提高算法的搜索效率。采用经过优化参数后的支持向量机分类器进行遥感矿化蚀变信息提取,缩短了特征提取时间,分类质量得到了进一步提高。综合上述各种技术建立了基于粒子群智能计算技术的遥感找矿流程,对项目中几个典型矿化区段进行了遥感矿化信息提取应用。通过野外实地验证和与已知的矿（化）区资料对比,提取的蚀变异常信息与已知的矿（化）点位置基本吻合,新发现的一些矿化蚀变异常点均不同程度存在矿化蚀变现象。综合其它找矿资料,给出了4个成矿预测远景区、4处找矿靶区和9处新的找矿线索地段。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究现状
• 1.2.1 遥感矿化信息提取研究现状
• 1.2.2 非线性找矿方法研究现状
• 1.2.3 粒子群智能计算研究现状
• 1.3 技术路线
• 1.3.1 研究思路
• 1.3.2 技术方法
• 1.3.3 技术流程
• 1.4 本文的主要研究成果
• 第二章 试验区概况和遥感数据源
• 2.1 试验区概况
• 2.2 遥感数据源及预处理
• 2.2.1 遥感数据源
• 2.2.2 遥感影像预处理方法
• 2.2.3 试验区遥感影像预处理
• 2.3 本章小结
• 第三章 粒子群智能及其计算性能优化方法研究
• 3.1 粒子群智能计算概述
• 3.1.1 粒子群智能算法
• 3.1.2 PSO算法中参数的分析
• 3.1.3 PSO收敛性讨论
• 3.1.4 粒子群智能计算的应用
• 3.2 组合优化问题可化简性分析
• 3.2.1 组合优化问题
• 3.2.2 组合优化问题可化简性分析
• 3.3 组合优化的概率化简模型
• 3.3.1 组合优化的概率化简模型
• 3.3.2 先验性概率的建立
• 3.3.3 化简算法
• 3.3.4 化简效果评价
• 3.4 组合优化问题随机搜索过程中个体之间的相关特性分析
• 3.4.1 优化解的质量
• 3.4.2 LOS与GOS之间关系分析
• 3.4.3 LOS之间关系分析
• 3.5 遗传算法的基因块保护策略
• 3.5.1 基础分析
• 3.5.2 种群相似度变化情况实验
• 3.5.3 基于基因块保护的遗传算子
• 3.5.4 实验情况及分析
• 3.6 基于路径交换的ACO
• 3.6.1 ACO的基本原理
• 3.6.2 基于路径交换的混合ACO
• 3.6.3 实验情况
• 3.7 混合进化PSO
• 3.7.1 选择进化混合PSO
• 3.7.2 实验情况
• 3.8 本章小节
• 第四章 粒子群智能剔除非专题信息模型研究
• 4.1 引言
• 4.2 用混合像元线性模型剔除非专题信息
• 4.2.1 线性混合像元分解模型
• 4.2.2 残差分布情况统计分析
• 4.2.3 常规混合像元分解方法存在的问题
• 4.3 粒子群智能搜索模型
• 4.3.1 粒子群智能搜索模型
• 4.3.2 粒子群搜索算法
• 4.4 非专题信息剔除粒子群智能算法
• 4.5 非专题信息剔除流程及实验效果评价
• 4.5.1 粒子群智能提取矿化蚀变信息流程
• 4.5.2 干扰地物剔除效果评价
• 4.6 本章小结
• 第五章 粒子群智能矿化信息提取模型研究
• 5.1 引言
• 5.2 遥感影像的矿物光谱特征研究
• 5.2.1 岩石矿物光谱外在物理机制
• 5.2.2 矿物的光谱特征
• 5.2.3 岩石的光谱特征
• 5.2.4 典型蚀变岩的光谱特征
• 5.3 粒子群智能分类
• 5.3.1 粒子群智能分类模型
• 5.3.2 粒子群分类算法
• 5.4 遥感矿化信息粒子群分类算法
• 5.4.1 遥感矿化信息特征的建立
• 5.4.2 遥感矿化信息粒子群智能提取算法
• 5.5 粒子群智能提取矿化蚀变信息流程及效果评价
• 5.5.1 粒子群智能提取矿化蚀变信息流程
• 5.5.2 提取效果评价
• 5.6 本章小结
• 第六章 利用粒子群智能优化C-SVM找矿信息提取性能
• 6.1 引言
• 6.2 支持向量机概述
• 6.2.1 SVM的理论基础
• 6.2.2 SVM的泛化性能
• 6.2.3 SVM分类器
• 6.3 粒子群智能优化SVM分类器超参数算法
• 6.3.1 SVM超参数的选择
• 6.3.2 SVM超参数粒子群优选算法
• 6.3.3 超参数优选效果评价
• 6.4 C-SVM超参数组合优化启发式策略研究
• 6.4.1 分类器模型
• 6.4.2 超参数选取对模型的影响
• 6.4.3 两种启发式策略
• 6.4.4 启发式算法框架
• 6.4.5 应用效果评价
• 6.5 优化SVM分类器对遥感影像矿化信息提取
• 6.5.1 优化SVM分类器对遥感影像矿化信息提取
• 6.5.2 C-SVM提取矿化蚀变信息结果评价
• 6.6 本章小结
• 第七章 粒子群智能遥感找矿及成果
• 7.1 粒子群智能遥感找矿
• 7.1.1 粒子群智能行为特征分析
• 7.1.2 蚀变信息密度分割方法
• 7.1.3 粒子群智能遥感找矿流程
• 7.2 研究区找矿成果
• 7.2.1 研究区成矿地质背景
• 7.2.2 研究区成矿靶区
• 7.3 本章小节
• 第八章 总结与展望
• 8.1 主要成果和认识
• 8.2 展望
• 参考文献
• 攻读博士学位期间发表的学术论文
• 攻读博士学位期间参加的科研项目
• 攻读博士学位期间参加的学术会议
• 致谢