本技術(shù)涉及礦產(chǎn)資源勘探與開發(fā)，尤其涉及一種礦體體積預(yù)測(cè)模型的訓(xùn)練方法、預(yù)測(cè)方法、設(shè)備及介質(zhì)。

背景技術(shù)：

1、在礦產(chǎn)資源勘探與開發(fā)領(lǐng)域，礦產(chǎn)體積預(yù)測(cè)發(fā)揮著極為關(guān)鍵的作用，對(duì)整個(gè)行業(yè)的科學(xué)發(fā)展、高效運(yùn)作以及可持續(xù)性推進(jìn)均有著深遠(yuǎn)的意義。礦產(chǎn)體積預(yù)測(cè)能夠顯著提高礦產(chǎn)資源量估算的準(zhǔn)確性與穩(wěn)定性，通過對(duì)礦體體積進(jìn)行預(yù)測(cè)，可以清晰地掌握礦產(chǎn)資源的規(guī)模大小，這不僅有助于礦業(yè)企業(yè)準(zhǔn)確評(píng)估礦山的經(jīng)濟(jì)價(jià)值，合理規(guī)劃投資預(yù)算和開發(fā)進(jìn)度，還能為國(guó)家和地區(qū)制定宏觀的資源戰(zhàn)略提供科學(xué)依據(jù)，確保資源的合理配置與高效利用，避免因資源量估計(jì)偏差導(dǎo)致的決策失誤和資源浪費(fèi)。

2、傳統(tǒng)的礦產(chǎn)勘查往往猶如大海撈針，需要在廣袤的區(qū)域內(nèi)進(jìn)行大規(guī)模的地質(zhì)勘探工作，從而導(dǎo)致礦產(chǎn)體積預(yù)測(cè)耗費(fèi)了大量的人力、物力和時(shí)間成本。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提出一種礦體體積預(yù)測(cè)模型的訓(xùn)練方法、預(yù)測(cè)方法、設(shè)備及介質(zhì)，能夠解決傳統(tǒng)礦產(chǎn)體積預(yù)測(cè)效率低的問題。

2、為達(dá)到上述目的，本技術(shù)采用如下技術(shù)方案：

3、第一方面，提供了一種礦體體積預(yù)測(cè)模型的訓(xùn)練方法，所述預(yù)測(cè)模型采用反向傳播bp神經(jīng)網(wǎng)絡(luò)，訓(xùn)練集包括：歸一化的與礦體體積強(qiáng)相關(guān)的地質(zhì)屬性、礦體體積真實(shí)值以及礦體體積預(yù)測(cè)值，所述訓(xùn)練方法包括：

4、建立所述bp神經(jīng)網(wǎng)絡(luò)權(quán)值與個(gè)體位置優(yōu)化算法中個(gè)體位置之間的映射關(guān)系，所述個(gè)體位置優(yōu)化算法采用最優(yōu)礦體體積預(yù)測(cè)目標(biāo)函數(shù)；

5、利用所述訓(xùn)練集，訓(xùn)練所述bp神經(jīng)網(wǎng)絡(luò)，同時(shí)，利用所述個(gè)體位置優(yōu)化算法，對(duì)所述bp神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值進(jìn)行優(yōu)化。

6、基于上述技術(shù)方案，構(gòu)建了采用bp神經(jīng)網(wǎng)絡(luò)的礦體體積預(yù)測(cè)模型，基于bp神經(jīng)網(wǎng)絡(luò)權(quán)值與個(gè)體位置優(yōu)化算法中個(gè)體位置之間的映射關(guān)系，利用個(gè)體位置優(yōu)化算法，對(duì)bp神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值進(jìn)行優(yōu)化，所訓(xùn)練出來的bp神經(jīng)網(wǎng)絡(luò)就可以在輸入歸一化的與礦體體積強(qiáng)相關(guān)的地質(zhì)屬性后，輸出對(duì)應(yīng)的礦體體積預(yù)測(cè)值結(jié)果，這樣，就避免了大規(guī)模地質(zhì)勘探來獲得礦體體積數(shù)據(jù)，節(jié)約了人力、物力和時(shí)間成本，效率大為提高。

7、在第一方面的一種可能的設(shè)計(jì)方式中，利用所述個(gè)體位置優(yōu)化算法，對(duì)所述bp神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值進(jìn)行優(yōu)化，具體包括：

8、初始化所述個(gè)體位置，獲得滿足所述最優(yōu)礦體體積預(yù)測(cè)目標(biāo)函數(shù)要求的初始最優(yōu)個(gè)體位置集合；

9、未達(dá)到最大訓(xùn)練迭代次數(shù)前，當(dāng)當(dāng)前sine混沌映射值滿足隨機(jī)數(shù)要求時(shí)，對(duì)所述初始最優(yōu)個(gè)體位置集合中個(gè)體位置進(jìn)行適應(yīng)度排序分組，利用逃離優(yōu)化算法，實(shí)現(xiàn)對(duì)所述初始最優(yōu)個(gè)體位置集合中個(gè)體位置的更新，否則，通過服從t分布概率的小波變異策略，對(duì)所述初始最優(yōu)個(gè)體位置集合中個(gè)體位置進(jìn)行更新，

10、當(dāng)達(dá)到所述最大訓(xùn)練迭代次數(shù)要求時(shí)，輸出最優(yōu)個(gè)體位置作為所述bp神經(jīng)網(wǎng)絡(luò)最優(yōu)初始化權(quán)值。

11、基于上述技術(shù)方案，采用服從t分布概率密度的小波變異策略對(duì)最優(yōu)解進(jìn)行操作，改變了逃離人群開發(fā)方向，使其進(jìn)入其他區(qū)域進(jìn)行開發(fā)，提高了算法的全局搜索能力，加快了收斂速度，有效提升了礦體體積預(yù)測(cè)的準(zhǔn)確性和速度。

12、在第一方面的一種可能的設(shè)計(jì)方式中，所述訓(xùn)練方法還包括：當(dāng)前sine混沌映射值是否滿足隨機(jī)數(shù)要求的判斷，具體為：判斷當(dāng)前sine混沌映射值γ是否大于隨機(jī)數(shù)rand，其中，

13、

14、fe表示當(dāng)前迭代次數(shù)，γfe表示迭代第fe次時(shí)的新的sine混沌映射，γfe+1表示迭代第fe+1次時(shí)的新的sine混沌映射，控制算法更新位置，cos表示求余弦值操作，sin表示求正弦值操作，pi表示圓周率，a表示(0，4)之間的隨機(jī)數(shù)，γ的初始值為0到1之間的隨機(jī)數(shù)。

15、基于上述技術(shù)方案，利用sine混沌映射的混沌特征，來生成不可預(yù)測(cè)的動(dòng)態(tài)行為，使得算法能夠在全局搜索和局部搜索中靈活切換，能夠更好地跳出局部最優(yōu)解，進(jìn)一步提升了礦體體積預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

16、在第一方面的一種可能的設(shè)計(jì)方式中，利用逃離優(yōu)化算法，實(shí)現(xiàn)對(duì)所述初始最優(yōu)個(gè)體位置集合中個(gè)體位置的更新，具體包括：

17、將所述初始最優(yōu)個(gè)體位置集合中個(gè)體位置分為平靜組q、隨大流組f和恐慌組l；

18、采用非線性恐慌因子，分別對(duì)平靜組、隨大流組和恐慌組中的個(gè)體位置進(jìn)行更新。

19、基于上述技術(shù)方案，通過引入非線性恐慌因子，使得逃離優(yōu)化算法在后期能夠進(jìn)行更精細(xì)的局部?jī)?yōu)化，提高尋優(yōu)精度和收斂速度，進(jìn)一步提升了礦體體積預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

20、在第一方面的一種可能的設(shè)計(jì)方式中，采用如下公式更新平靜組中的個(gè)體位置：

21、

22、其中，esi,j表示第i個(gè)個(gè)體在第j維中的位置，表示更新后的個(gè)體位置，qj是第j維中平靜組中所有個(gè)體位置的平均值，τ1以相等的平靜組所獲概率取0或1的值，p(fe)是非線性恐慌因子，vq,j表示平靜組的移動(dòng)速度，ω1是自適應(yīng)levy權(quán)重，

23、

24、μ表示在[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)，δ表示常數(shù)值20，femax表示最大迭代次數(shù)，

25、

26、vq,j表示平靜組的移動(dòng)速度，hq,j是在平靜組的范圍內(nèi)隨機(jī)生成的位置,代表著個(gè)體運(yùn)動(dòng)的微小調(diào)整，

27、

28、表示平靜組中所有個(gè)體位置的第j維的最小值和最大值，表示平靜組中的個(gè)體位置，

29、

30、rj表示一個(gè)0到1的隨機(jī)變量并且服從標(biāo)準(zhǔn)正態(tài)分布，

31、

32、v和x服從正態(tài)分布，vj～n(0,1)，是標(biāo)準(zhǔn)正態(tài)分布，xj～n(0,σ2)，n取值1，2，

33、

34、表示隨著算法動(dòng)態(tài)調(diào)整的參數(shù)，γ表示為伽瑪函數(shù)，

35、

36、是的初始值1.5，π表示圓周率；

37、采用如下公式更新隨大流組中的個(gè)體位置：

38、

39、esl,j是從恐慌組中隨機(jī)選擇的個(gè)體位置，表示恐慌驅(qū)動(dòng)移動(dòng)的潛在方向，ω1和ω2是自適應(yīng)levy權(quán)重，τ2以相等的隨大流組所獲概率取0或1的值，vf,j表示表示隨大流組的移動(dòng)速度，

40、

41、vf,j表示隨大流組的移動(dòng)速度，hf,j表示是隨大流組內(nèi)隨機(jī)生成的位置，

42、

43、表示隨大流組中所有個(gè)體位置的第j維的最小值和最大值，表示隨大流組中的個(gè)體位置；

44、采用如下公式更新恐慌組中的個(gè)體位置：

45、

46、dj表示初始最優(yōu)個(gè)體位置集合中的最優(yōu)解，esrand,j表示從初始最優(yōu)個(gè)體位置集合中隨機(jī)選擇的個(gè)體位置，esl,j是從恐慌組中隨機(jī)選擇的個(gè)體位置，表示恐慌驅(qū)動(dòng)移動(dòng)的潛在方向，vl,j表示表示恐慌組的移動(dòng)速度，

47、

48、vl,j表示恐慌組的移動(dòng)速度，hl,j表示是恐慌組內(nèi)隨機(jī)生成的個(gè)體位置，

49、

50、hl,j表示是恐慌組內(nèi)隨機(jī)生成的個(gè)體位置，表示恐慌組中所有個(gè)體位置的第j維的最小值和最大值，表示恐慌組中的個(gè)體位置。

51、在第一方面的一種可能的設(shè)計(jì)方式中，通過服從t分布概率的小波變異策略，對(duì)所述初始最優(yōu)個(gè)體位置集合中個(gè)體位置進(jìn)行更新，具體為采用如下公式進(jìn)行所述初始最優(yōu)個(gè)體位置集合中個(gè)體位置的更新：

52、

53、tk表示服從t分布概率密度函數(shù)變化規(guī)律的小波變異概率，a1是[0,1]的隨機(jī)數(shù)，當(dāng)a1<tk時(shí)，對(duì)當(dāng)代所有個(gè)體位置進(jìn)行小波微調(diào)，表示通過小波變異得到的變異值，

54、

55、v表示自由度，取值為3時(shí)效果最佳，γ表示為伽瑪函數(shù)，

56、

57、是最優(yōu)解通過小波變異得到的變異值，yj,max和yj,min分別是最優(yōu)解dj中第j維的搜索上邊界和下邊界，φ為小波函數(shù)值，

58、

59、z從[-2.5n,2.5n]中隨機(jī)產(chǎn)生，e表示指數(shù)函數(shù)，n表示微調(diào)參數(shù)，以滿足小波變異微調(diào)的目的，

60、

61、ln表示對(duì)數(shù)函數(shù)，x是n的上限，值為10000，ζ表示形狀參數(shù)，值為5。

62、基于上述技術(shù)方案，通過引入服從t分布概率密度函數(shù)，使算法在迭代的前后期產(chǎn)生變異的概率相對(duì)較小，有助于加快算法的收斂速度，在迭代中期，算法則會(huì)有較大概率出現(xiàn)擾動(dòng)，能有效幫助算法逃離局部最優(yōu)解，有效提升了礦體體積預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

63、在第一方面的一種可能的設(shè)計(jì)方式中，所述最優(yōu)礦體體積預(yù)測(cè)目標(biāo)函數(shù)為：

64、

65、vfitness表示目標(biāo)函數(shù)，m表示樣本總數(shù)，vactual,m表示第m個(gè)礦體的礦體體積真實(shí)值，vpredicted,m表示通過所述bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的第m個(gè)礦體的礦體體積預(yù)測(cè)值。

66、第二方面，提供了一種礦體體積的預(yù)測(cè)方法，所述預(yù)測(cè)方法基于如上述所訓(xùn)練出來的bp神經(jīng)網(wǎng)絡(luò)。

67、第三方面，提供了一種電子設(shè)備，包括：處理器，以及與所述處理器耦合的存儲(chǔ)器，所述存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；所述處理器，用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的所述計(jì)算機(jī)程序，以使得所述電子設(shè)備執(zhí)行如第一方面中任一種可能實(shí)現(xiàn)方式的訓(xùn)練方法，或執(zhí)行如第二方面任一種可能實(shí)現(xiàn)方式的預(yù)測(cè)方法。

68、第四方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包括計(jì)算機(jī)程序或指令，當(dāng)所述計(jì)算機(jī)程序或指令在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行如第一方面中任一種可能實(shí)現(xiàn)方式的訓(xùn)練方法，或執(zhí)行如第二方面任一種可能實(shí)現(xiàn)方式的預(yù)測(cè)方法。