基于蚁群算法和支持向量机的矿化蚀变信息提取研究

论文摘要

传统地质找矿方法往往是通过地面调查来圈定蚀变带,耗费大量的人力、物力。通过遥感数据提取矿化蚀变信息,获取蚀变岩的空间分布特征,一直是遥感找矿工作的重要研究内容。但是由于矿化蚀变信息在遥感图像上是一种弱信息,使用传统的信息提取方法效果往往不尽人意。因此,研究有效的遥感矿化蚀变信息提取新技术新方法,提高遥感找矿的可信度和效益,具有非常重要的科学和现实意义。蚁群算法(Ant colony optimization algorithm,ACO)是一种模拟自然界蚂蚁集体寻径行为的全新仿生进化算法,具有离散性、并行性、鲁棒性、正反馈性等特点。由于其概念简明、实现方便,迅速得到相关科技人员的认可。支持向量机(Support vector machine,SVM)是机器学习领域的研究热点,并在很多方面都得到了成功的应用。结合国土资源地质大调查项目“全波段定量化遥感技术及其在资源环境调查中的应用研究”(工作项目编码:1212010660601)的子工作项目“矿产资源遥感综合信息提取技术与找矿应用研究”,以青海黄南州同仁—泽库地区作为研究区,开展了基于蚁群算法和支持向量机的矿化蚀变信息提取方法的研究。取得的主要成果如下:(1)提出利用蚁群算法对SVM主要参数进行搜索。SVM分类器模型中参数的选取,对分类器的性能产生较大的影响,为避免传统的网格搜索参数带来的时间消耗和搜索范围难于确定问题,提出利用蚁群算法对主要参数进行搜索。通过蚁群参数优化和网格搜索参数优化的仿真实验,表明:蚁群参数优化算法比网格搜索算法能更快更优的搜索到SVM的主要参数。(2)建立了基于主成分分析的支持向量机矿化信息提取模型。针对传统矿化信息提取方法需要大量样本,且样本选取困难的缺陷,提出利用主成分分析和支持向量机原理,建立矿化信息提取模型。既解决了SVM样本选取困难的问题,又克服了传统的统计方法只有在样本数量趋于无穷大时才能有理论上保证的缺陷,保证了矿化信息提取的精度。通过实地验证和与已知矿点叠加分析,表明该方法是一种有效的蚀变信息提取方法。(3)提出基于纹理和光谱的SVM矿化信息提取方法。综合考虑了基于像素的光谱和基于空间特性的纹理和结构信息,充分利用了现有的遥感资料光谱分辨率和空间分辨率,克服了传统上只利用光谱或者只利用纹理,信息量相对较少的局限,保证了SVM矿化样本选取的精度。通过所提取的遥感蚀变异常信息与原有矿区叠加分析,叠加基本吻合:从野外实地验证来看,均发现了不同程度的矿化现象,并指出了3个重点异常区。(4)提出基于蚁群算法的光谱分解方法,来剔除植被等干扰信息。首次将蚁群这种全新的算法引入到遥感地质领域。基于蚁群算法的光谱分解方法,综合考虑传统的光谱分解植被剔除方法处理速度慢和蚁群算法识别目标速度快的特点,通过残差图分析以及原图与剔除植被后影像对比分析,初步验证了基于蚁群算法的光谱分解方法来剔除植被信息的可行性。(5)首次结合蚁群算法与遥感地质领域应用较成熟的比值方法,建立泥化蚀变信息提取模型。选取青海黄南州阿哇地区为研究区。首先确定泥化蚀变信息提取规则:然后建立基于蚁群的泥化蚀变信息提取模型;最后根据模型提取泥化蚀变信息。通过叠加分析及野外实地验证,表明:效果良好。

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 矿化蚀变信息提取研究及应用现状
• 1.2.2 蚁群算法研究及应用现状
• 1.2.3 支持向量机研究及应用现状
• 1.3 研究内容及主要创新点
• 1.3.1 研究内容及技术路线
• 1.3.2 主要创新点
• 第二章 岩石矿物光谱特征研究
• 2.1 引言
• 2.2 矿化蚀变信息提取的机理
• 2.3 矿物的反射光谱
• 2.3.1 影响矿物光谱的因素
• 2.3.2 典型蚀变矿物的光谱特征
• 2.4 岩石的反射光谱
• 2.4.1 影响岩石光谱特征的因素
• 2.4.2 不同类型岩石的光谱特征
• 2.5 本章小结
• 第三章 研究区概况及数据预处理
• 3.1 引言
• 3.2 研究区概况
• 3.2.1 地理交通概况
• 3.2.2 以往地质工作程度
• 3.2.3 区域地质背景
• 3.2.4 金属矿产概况
• 3.2.5 成矿地质条件分析
• 3.3 遥感数据及数据预处理
• 3.3.1 遥感数据来源
• 3.3.2 图像预处理
• 3.4 本章小结
• 第四章 蚁群算法优化SVM参数研究
• 4.1 引言
• 4.2 支持向量机概述
• 4.2.1 SVM的理论基础
• 4.2.2 SVM的基本原理
• 4.2.3 SVM的训练算法
• 4.2.4 SVM的特点
• 4.2.5 SVM参数对其性能的影响
• 4.3 蚁群优化算法
• 4.3.1 蚁群算法概述
• 4.3.2 蚁群算法基本原理
• 4.3.3 蚁群算法中参数的选择
• 4.4 蚁群算法优化SVM参数的算法设计
• 4.5 仿真实验
• 4.6 本章小结
• 第五章 基于支持向量机矿化信息提取研究
• 5.1 引言
• 5.2 基于光谱相似尺度的SVM矿化信息提取实验
• 5.2.1 引言
• 5.2.2 光谱相似尺度基本原理
• 5.2.3 基于光谱相似尺度的SVM矿化信息提取实验
• 5.3 基于主成分分析的SVM矿化信息提取实验
• 5.3.1 引言
• 5.3.2 主成分分析基本原理
• 5.3.3 基于主成分分析的SVM矿化信息提取实验
• 5.4 基于纹理和光谱的SVM矿化信息提取实验
• 5.4.1 引言
• 5.4.2 纹理特征分析
• 5.4.3 基于纹理和光谱的SVM矿化信息提取实验
• 5.5 本章小结
• 第六章 基于蚁群算法的光谱分解方法
• 6.1 引言
• 6.2 蚂蚁移动规则
• 6.3 光谱混合分析
• 6.3.1 光谱混合模型
• 6.3.2 线性光谱混合模型
• 6.3.3 线性混合端元组分选取方法
• 6.4 基于蚁群算法的光谱分解算法
• 6.5 实验及结果分析
• 6.6 本章小结
• 第七章 基于蚁群算法的泥化蚀变信息提取研究
• 7.1 引言
• 7.2 蚁群算法提取泥化蚀变信息的机理
• 7.3 基于蚁群的泥化蚀变信息提取算法
• 7.4 实验及结果分析
• 7.5 本章小结
• 第八章 结论与展望
• 8.1 主要成果
• 8.2 后续研究与工作展望
• 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
• 致谢