地质大数据功能分析及其分类算法研究
发布时间：2024-03-04 22:35
在数字地质科学研究中,地质大数据已经成为地学空间分析不可或缺的基础素材。地质大数据分析的科学本质是在数据海洋中提取对地学目标有重大贡献或重要作用的地质变量。因此,对地质变量的内涵与外延做精准分析构成了地质变量自身研究的主要内容,也是确保地学空间信息模型可靠性与精准性的关键所在。按照这一要求,本文将地质大数据及地质变量功能分析作为主体研究内容,通过对地质变量功能分类、作用性质以及作用方向的讨论,在算法研究上提出地质变量建模分析的适用条件、建模标准及目标要求,并在理论上阐明地质大数据的精准分类与空间建模依据,为地质大数据空间建模质量提供基础保证。为分析地质变量在地质建模中所发挥的全部效能,将模型中变量作用能力的总体性评价称为地质变量的功能,所谓功能即地质变量所承载的作用性质及作用方向、变量的连接力在整个空间分析中所呈现的一种度量。本文将地质变量的功能划分为信息转换、程度度量、判别分类、组合关联、结构优化五项功能,并逐一讨论。在地质变量功能讨论的基础上,针对变量的模型应用,将机器学习和深度学习应用于地球化学观测数据的分类研究中,并给出了计算流程与精度分析,最终达到地质变量功能分类的效果,从而...
【文章页数】：123 页
【学位级别】：博士
【文章目录】：
中文摘要
abstract
第1章 绪论
1.1 选题背景及依据
1.2 国内外研究现状
1.2.1 大数据研究现状
1.2.2 地质大数据的研究现状
1.2.3 基于机器学习的地学研究现状
1.3 论文的研究目标与意义
1.4 论文研究内容
1.5 论文所用的数据类型、标准与质量评述
1.6 论文的采用的技术路线
1.7 论文的预期成果与创新点
1.8 本章小结
第2章 地质大数据的定义、特征及其应用
2.1 大数据概念
2.2 地质大数据的基本概念
2.3 地质大数据的获取与存储
2.4 地质大数据的特征
2.5 地质大数据与云计算
2.5.1 云计算理论
2.5.2 地质大数据云计算执行功能
2.6 地质大数据的应用
2.7 本章小结
第3章 地质变量及其功能研究
3.1 地质数据与地质变量
3.2 地质变量提取构置方法
3.2.1 提取地质变量的基本原则
3.2.2 地质变量的构置方法
3.2.3 地质变量的赋值
3.3 地质变量的作用方向与作用性质
3.4 地质变量功能研究
3.4.1 程度度量功能
3.4.2 判别分类功能
3.4.3 信息转换功能
3.4.4 组合关联功能
3.4.5 结构优化功能
3.5 地质变量功能研究的本质
3.6 本章小结
第4章 地质变量研究中的机器学习方法
4.1 机器学习概念
4.2 机器学习的发展历程
4.3 机器学习的常用方法
4.3.1 决策树
4.3.2 支持向量机
4.3.3 贝叶斯分类器
4.3.4 k最近邻学习
4.3.5 集成学习
4.4 机器学习应用现状
4.5 机器学习在地学信息分析中的应用
4.6 本章小结
第5章 基于机器学习方法的地球化学数据定量分类研究
5.1 案例分析区域的地质背景介绍
5.2 基于地球化学元素变量的聚类分析
5.2.1 聚类的目标
5.2.2 性能度量
5.2.3 距离计算
5.3 层次聚类
5.4 动态聚类
5.5 地球化学数据的定量分类研究
5.5.1 基于层次聚类方法的地球化学数据分类
5.5.2 基于k均值方法的地球化学数据分类
5.6 基于有监督机器学习方法的地球化学数据分类
5.6.1 基于支持向量机的数据分类
5.6.2 基于k最近邻方法的数据分类
5.6.3 基于随机森林方法的数据分类
5.6.4 基于梯度提升机方法的数据分类
5.6.5 基于朴素贝叶斯方法的数据分类
5.6.6 基于集成学习模型的数据分类
5.7 本章小结
第6章 基于深度学习的地球化学元素定量分类研究
6.1 深度学习
6.2 神经网络
6.2.1 神经网络的概念
6.2.2 神经元模型
6.3 深度神经网络
6.4 Elman神经网络
6.5 Jordan神经网络
6.6 基于深度学习方法的地球化学数据分类
6.6.1 基于深度神经网络的分类
6.6.2 基于Elman神经网络的分类
6.6.3 基于Jordan神经网络的分类
6.7 本章小结
第7章 结论与存在问题
7.1 结论
7.2 存在问题
参考文献
作者简介及在学期间所取得的科研成果
致谢
本文编号：3919272
【文章页数】：123 页
【学位级别】：博士
【文章目录】：
中文摘要
abstract
第1章 绪论
1.1 选题背景及依据
1.2 国内外研究现状
1.2.1 大数据研究现状
1.2.2 地质大数据的研究现状
1.2.3 基于机器学习的地学研究现状
1.3 论文的研究目标与意义
1.4 论文研究内容
1.5 论文所用的数据类型、标准与质量评述
1.6 论文的采用的技术路线
1.7 论文的预期成果与创新点
1.8 本章小结
第2章 地质大数据的定义、特征及其应用
2.1 大数据概念
2.2 地质大数据的基本概念
2.3 地质大数据的获取与存储
2.4 地质大数据的特征
2.5 地质大数据与云计算
2.5.1 云计算理论
2.5.2 地质大数据云计算执行功能
2.6 地质大数据的应用
2.7 本章小结
第3章 地质变量及其功能研究
3.1 地质数据与地质变量
3.2 地质变量提取构置方法
3.2.1 提取地质变量的基本原则
3.2.2 地质变量的构置方法
3.2.3 地质变量的赋值
3.3 地质变量的作用方向与作用性质
3.4 地质变量功能研究
3.4.1 程度度量功能
3.4.2 判别分类功能
3.4.3 信息转换功能
3.4.4 组合关联功能
3.4.5 结构优化功能
3.5 地质变量功能研究的本质
3.6 本章小结
第4章 地质变量研究中的机器学习方法
4.1 机器学习概念
4.2 机器学习的发展历程
4.3 机器学习的常用方法
4.3.1 决策树
4.3.2 支持向量机
4.3.3 贝叶斯分类器
4.3.4 k最近邻学习
4.3.5 集成学习
4.4 机器学习应用现状
4.5 机器学习在地学信息分析中的应用
4.6 本章小结
第5章 基于机器学习方法的地球化学数据定量分类研究
5.1 案例分析区域的地质背景介绍
5.2 基于地球化学元素变量的聚类分析
5.2.1 聚类的目标
5.2.2 性能度量
5.2.3 距离计算
5.3 层次聚类
5.4 动态聚类
5.5 地球化学数据的定量分类研究
5.5.1 基于层次聚类方法的地球化学数据分类
5.5.2 基于k均值方法的地球化学数据分类
5.6 基于有监督机器学习方法的地球化学数据分类
5.6.1 基于支持向量机的数据分类
5.6.2 基于k最近邻方法的数据分类
5.6.3 基于随机森林方法的数据分类
5.6.4 基于梯度提升机方法的数据分类
5.6.5 基于朴素贝叶斯方法的数据分类
5.6.6 基于集成学习模型的数据分类
5.7 本章小结
第6章 基于深度学习的地球化学元素定量分类研究
6.1 深度学习
6.2 神经网络
6.2.1 神经网络的概念
6.2.2 神经元模型
6.3 深度神经网络
6.4 Elman神经网络
6.5 Jordan神经网络
6.6 基于深度学习方法的地球化学数据分类
6.6.1 基于深度神经网络的分类
6.6.2 基于Elman神经网络的分类
6.6.3 基于Jordan神经网络的分类
6.7 本章小结
第7章 结论与存在问题
7.1 结论
7.2 存在问题
参考文献
作者简介及在学期间所取得的科研成果
致谢
本文编号：3919272
本文链接：https://www.wllwen.com/kejilunwen/kuangye/3919272.html