[发明专利]基于机器学习的深部采空区CSAMT电性特征增强与分类方法有效
| 申请号： | 201910877150.3 | 申请日： | 2019-09-17 |
| 公开（公告）号： | CN110598796B | 公开（公告）日： | 2022-04-12 |
| 发明（设计）人： | 林年添;张凯;张冲;田高鹏;杨久强;汤健健;王晓东;聂西坤;支鹏遥;宋翠玉;丁仁伟;金志玮 | 申请（专利权）人： | 山东科技大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 青岛锦佳专利代理事务所(普通合伙) 37283 | 代理人： | 朱玉建 |
| 地址： | 266590 山东*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于机器学习的深部采空区CSAMT电性特征增强与分类方法，其包括步骤：I.针对反演后的CSAMT电阻率异常特征，初始化能够去除浅部异常与增强深部采空区特征的卷积核；II.利用步骤I得到的卷积核进行卷积计算，以提取浅部异常信息和深部采空区电性异常信息；III.对步骤II获得的浅部卷积电阻率特征与深部采空区卷积电阻率特征进行计算，获得能量误差，若能量误差不满足精度要求，则返回步骤I修改初始化卷积核参数；若能量误差满足误差要求，则去除浅部异常干扰，增强深部采空区电性特征；IV.对步骤III获得的CSAMT电性特征进行基于核函数的模糊聚类分析；V.根据聚类结果，对采空区、巷道等地质特征进行识别与归类，并对采空区的基本情况进行预测。 | ||
| 搜索关键词： | 基于 机器 学习 采空区 csamt 特征 增强 分类 方法 | ||
【主权项】：
1.基于机器学习的深部采空区CSAMT电性特征增强与分类方法，其特征在于，/n包括如下步骤：/nI.针对反演获得的CSAMT电阻率特征，初始化浅部异常卷积核与深部采空区卷积核；/n其中，浅部异常卷积核的初始化过程为：/n首先从反演获得的CSAMT电阻率特征剖面中，确定某一浅部低阻异常数据的中心位置；再提取浅部低阻异常数据的中心位置周围的数据作为浅部异常卷积核；/n深部采空区卷积核的初始化过程为：/n首先从反演获得的CSAMT电阻率特征剖面中，确定某一深部采空区电性异常数据的中心位置；再提取深部采空区电性异常数据的中心位置周围的数据作为深部采空区卷积核；/nII.以反演获得的CSAMT电阻率特征剖面作为输入，分别与各浅部异常卷积核进行卷积计算，然后将各卷积结果进行叠加求平均，得到浅部卷积电阻率特征；/n再以反演获得的CSAMT电阻率特征剖面作为输入，分别与各深部采空区卷积核进行卷积计算，然后将各卷积结果进行叠加求平均，得到深部采空区卷积电阻率特征；/nIII.去除浅部异常信息，增强深部采空区电性特征，具体过程如下：/n①首先将浅部卷积电阻率特征与深部采空区卷积电阻率特征相加；/n②然后计算浅部卷积电阻率特征与深部采空区卷积电阻率特征相加得到的和与反演获得的CSAMT电阻率特征的能量误差；/n③判断能量误差是否满足精度要求：/n若不满足精度要求，则执行步骤④，若满足精度要求，则执行步骤⑤；/n④优化浅部异常卷积核与深部采空区卷积核的大小参数，返回执行步骤I；/n⑤将反演获得的CSAMT电阻率特征与浅部卷积电阻率特征进行差值计算，得到深部采空区电性特征；将该结果与步骤II得到的深部采空区卷积电阻率特征相加，得到增强的深部采空区电性特征；/nIV.对步骤III中的增强的深部采空区电性特征进行基于核空间的模糊C均值聚类分析；/nV.根据以上聚类结果对采空区、巷道进行识别与归类，并对采空区的基本情况进行预测。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于山东科技大学，未经山东科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910877150.3/，转载请声明来源钻瓜专利网。
