文献

J-GLOBAL ID：202202256082601305   整理番号：22A0682471

鉱物有望性モデリングのための証拠層の統合のための辞書学習【JST・京大機械翻訳】

Dictionary learning for integration of evidential layers for mineral prospectivity modeling

著者 (2件)： Chen Yongliang (College of Earth Sciences, Jilin University, Changchun 130061, China) ,  Sui Yanhui (Institute of Mineral Resources Prognosis on Synthetic Information, Jilin University, Changchun 130026, China)
資料名： Ore Geology Reviews  (Ore Geology Reviews)
巻： 141  ページ： Null  発行年： 2022年 
JST資料番号： D0963B  ISSN： 0169-1368  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 機械学習と深層学習異常検出器を用いて,鉱物の見通しをマッピングした。しかし,鉱物探査性マッピングのための機械学習または深層学習異常検出モデルの確立は,しばしば,グランドトルースデータがない場合の一組の初期化パラメータの決定を必要とする。不適切な初期化パラメータは,これらの鉱物展望マッピングモデルの性能を低下させるであろう。ほとんどの機械学習と深層学習アルゴリズムとは異なり,辞書学習は線形変換のみを含む「ホワイトボックス」アルゴリズムであり,辞書学習モデルの構築は,原子総数の経験的定義のみを必要とする。したがって,本論文では,2つの辞書学習異常検出器を,最小角度回帰-Lasso(LARS-Lasso)アルゴリズムと反復収縮閾値アルゴリズム(ISTA)に基づく鉱物探査性モデリングのために確立した。次の5段階手順を,辞書学習技法を用いた鉱物探査性モデリング用に提案した:(a)過剰完全辞書を入力データに基づいて構築した;(b)各データポイントを,過剰完全辞書に従ってスパース係数に変換した。(c)各データ点のスパース表現を,過剰完全辞書とスパース係数に基づいて計算した。(d)各データ点とそのスパース表現の間の差のユークリッドノルムを計算し,データ点の鉱物ポテンシャルとして用いた。辞書学習モデルを,中国,内モンゴル,Jinchanggouliang地区における金の見通しをモデル化するために確立し,金探査目標におけるロジスティック回帰モデルおよび1クラスサポートベクトルマシンモデルと比較した。結果は,(a)辞書学習モデルの性能は,ロジスティック回帰(LGR)モデルのものより少なく,1クラスサポートベクトルマシン(OCSVM)モデルのものより良い,そして(b)確立したモデルによって区別された金展望地域は,研究地域における地質と鉱床生成特性と強く一致することを示した。したがって,辞書学習アルゴリズムは,高性能鉱物展望モデリング技術である。鉱物探査目標における異なる地域における異なるタイプの鉱物鉱床に対する辞書学習アルゴリズムの有効性をさらに試験することは価値がある。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *鉱物 ,  閾値 ,  *学習 ,  金 ,  鉱床 ,  *モデリング ,  データ表現 ,  地質 ,  *辞書 ,  ノルム ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： ロジスティック回帰分析 ,  スパース表現 ,  深層学習 ,  *辞書学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 辞書学習 ,  過完全辞書 ,  スパース表現 ,  ロジスティック回帰 ,  1クラスサポートベクトルマシン ,  金の有望性モデリング

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 鉱物 ,  モデリング ,  証拠 ,  統合 ,  辞書学習