极限学习机矿产资源评价研究

Extreme learning machine is a new computational intelligence model with fast learning speed, easy implementation, few human intervene, and high generalization performance. It becomes an effective theoretical tool for large scale computation and artificial intelligence. By introducing this model into mineral resource assessment, it is expected to solve a number of technical bottleneck problems, such as too high computational complexity, too large memory space, and etc., faced in the applications of nonlinear multivariate statistical models in mineral resource assessment. For this reason, we plan to generalize and summarize the latest research achievements of extreme learning machine on theories and applications. By learning from the experiences of extreme learning machine and ensemble of extreme learning machines used in large-scale parallelized regression and distributed ensemble classification and etc., we plan to innovate a set of nonlinear multivariate statistical models for mineral resource assessment based on extreme learning machine, parallelized ensemble of extreme learning machines, online sequential extreme learning machine, and distributed ensemble of online sequential extreme learning machines. Using the multisource geo-observation data including geological, geochemical, geophysical, and remote sensing data as the basic data sources for the mineral resource assessment in the experiment area, we plan to predict mineral resource potential targets using the new models and make a paradigm of mineral resource assessment using extreme learning machines. This research can provide new techniques and methods for present mineral resource assessment and promote the theoretical development of extreme learning machine, thus it has important significance both in theory and in practice.

极限学习机是一种学习速度快、操作容易、人工干预少、泛化性能强的新型计算智能模型，已成为大规模计算和人工智能的有效理论工具。将该模型引入矿产资源评价研究领域，有望解决多元非线性统计模型在矿产资源评价应用中面临的计算复杂度过高和存储空间过大等诸多技术瓶颈问题。鉴于此，项目组拟概括和总结极限学习机理论与应用研究的最新成果，借鉴极限学习机和极限学习机集成模型在解决大规模并行回归和分布式集成分类等问题方面的应用研究经验，研制基于极限学习机、并行式极限学习机集成模型、在线顺序极限学习机和分布式在线顺序极限学习机集成模型的一系列多元非线性矿产资源评价模型；以实验区地物化遥多源地学观测数据为基本数据源，应用新模型预测矿产资源远景靶区，创建极限学习机矿产资源评价应用研究的一个典型范例。研究工作能够为当代矿产资源评价提供新技术与新方法，对极限学习机理论的发展具有积极的促进作用，理论与实际意义重大。

该项目是已结题的两个基金项目（40872193和41072244）研究工作的延续。主要研究地物化遥多源地学观测数据高维非线性统计建模方法，通过建立多元非线性统计模型实现高维空间综合致矿地质异常信息的提取和矿产靶区统计预测。前两个项目分别研究面向矿产资源评价的非线性隐含变量模型和PoE模型和算法。针对这两类算法模型建模计算复杂度高和存储空间大的应用技术瓶颈，项目组把机器学习领域大规模计算的人工智能有效理论工具ELM模型理论引入矿产资源评价领域，通过应用拓展研究，研制出矿产资源评价的ELM模型体系，实现海量多源地学观测数据的ELM模型统计建模和矿产靶区预测。.极限学习机是一种新的单隐层前馈神经网络模型学习算法。该算法的输入权和隐藏层阈值是随机选择的，输出权是由隐藏层输出矩阵的广义逆矩阵确定的。与传统的单隐层前馈神经网络算法不同，ELM算法同时最小化训练误差和输出权范数，其训练速度比传统的反向传播学习算法快数千倍而且泛化性能更强。极限学习机模型为各种类型的特征映射提供了一个统一的训练平台来解决分类和回归的建模问题。ELM算法克服了诸多神经网络模型收敛速度慢和过拟合问题。因此，已广泛用于解决机器学习领域的模式识别、统计预测、分类和回归等科学问题。选择青海省拉陵灶火地区为实验研究区，将研究区划分成200×187个网格统计单元（含矿单元17个），构建了基于极限学习机回归和分类的多金属矿产靶区预测模型，预测了研究区的多金属矿产靶区，用矿产预测与效果评价的通用效益-代价模型评价了矿产靶区预测效果，用AUC指标评价了矿产靶区预测总体效果，用约登指数确定了矿产靶区与非靶区的最佳分界线并圈定了最优预测靶区。极限学习机回归、逻辑斯蒂回归、极限学习机分类和多层感知机模型的矿产靶区预测效果的对比分析结果表明：①代价-效益曲线特征和AUC统计值揭示极限学习机模型能够很好地区分研究区含矿和非含矿统计单元；②极限学习机模型预测的最优靶区只占研究区总面积为2.66~3.66%，但包含了研究区82%的已知多金属矿床（点）；③极限学习机回归和分类模型的学习训练过程耗时只有75.6~518.3秒；④极限学习机回归模型优于逻辑斯蒂回归模型，极限学习机分类模型优于多层感知机模型。因此，极限学习机是一种有潜在应用前景的数据驱动型矿产靶区模型，其相应研究成果对当代矿产资源评价方法体系的发展具有重要意义。