●目錄
第1章  緒論  1
1.1  礦產資源潛力評價概述  1
1.2  礦產資源潛力智能評價方法概述  3
1.2.1  智能認知  4
1.2.2  智能學習  5
1.2.3  智能決策  6
1.3  基於深度學習的地球化學異常識別  7
1.4  基於深度學習的礦產資源潛力評價  8
第2章  環境配置與樣本制作  10
2.1  TensorFlow環境配置  10
2.2  數據準備  13
2.3  樣本制作  15
2.4  數據增強  15
2.4.1  基於地質約束的數據增強方法  16
2.4.2  基於random-drop的數據增強方法  17
2.4.3  基於像素對匹配的數據增強方法  20
第3章  卷積神經網絡  22
3.1  卷積神經網絡基本原理  22
3.2  全卷積神經網絡基本原理  24
3.3  參數優化  25
3.4  基於卷積神經網絡的地球化學異常識別  31
3.4.1  案例介紹  31
3.4.2  模型框架  32
3.4.3  模型訓練  32
3.4.4  模型輸出  35
3.5  基於卷積神經網絡的礦產資源潛力評價  36
3.5.1  案例介紹  36
3.5.2  模型框架  37
3.5.3  模型輸入  37
3.5.4  模型訓練  38
3.5.5  模型輸出  38
3.6  基於卷積神經網絡的地質填圖  39
3.6.1  案例介紹  39
3.6.2  模型框架  39
3.6.3  模型輸入  41
3.6.4  模型訓練  41
3.6.5  模型輸出  43
3.7  基於全卷積神經網絡的岩性填圖  44
3.7.1  案例介紹  44
3.7.2  模型框架  44
3.7.3  模型輸入  44
3.7.4  模型訓練  45
3.7.5  模型輸出  45
第4章  循環神經網絡  47
4.1  基本原理  47
4.2  基於循環神經網絡的礦產資源潛力評價  49
4.2.1  案例介紹  49
4.2.2  模型框架  50
4.2.3  模型輸入  50
4.2.4  模型訓練  55
4.2.5  模型輸出  58
第5章  深度自編碼網絡  59
5.1  基本原理  59
5.2  基於深度自編碼網絡的地球化學異常識別  60
5.2.1  案例介紹  60
5.2.2  模型框架  60
5.2.3  模型輸入  61
5.2.4  模型訓練  62
5.2.5  模型輸出  63
5.3  基於深度自編碼網絡的礦產資源潛力評價  65
5.3.1  案例介紹  65
5.3.2  模型框架  65
5.3.3  模型輸入  65
5.3.4  模型訓練  66
5.3.5  模型輸出  67
第6章  生成對抗網絡  68
6.1  基本原理  68
6.2  基於生成對抗網絡的地球化學異常識別  69
6.2.1  案例介紹  69
6.2.2  模型框架  69
6.2.3  模型輸入  71
6.2.4  模型訓練  71
6.2.5  模型輸出  73
第7章  深度信念網絡  74
7.1  基本原理  74
7.2  基於深度信念網絡的地球化學異常識別  75
7.2.1  案例介紹  75
7.2.2  模型框架  75
7.2.3  模型輸入  76
7.2.4  模型訓練  76
7.2.5  模型輸出  77
第8章  深度強化學習  79
8.1  基本原理  79
8.2  基於深度強化學習的礦產資源潛力評價  81
8.2.1  案例介紹  81
8.2.2  模型框架  81
8.2.3  模型參數  83
8.2.4  模型輸入  83
8.2.5  模型訓練  83
8.2.6  模型輸出  85
第9章  圖神經網絡  86
9.1  基本原理  86
9.1.1  拓撲圖構建  86
9.1.2  圖卷積網絡  87
9.1.3  圖注意力網絡  87
9.2  基於圖神經網絡的礦產資源潛力評價  88
9.2.1  案例介紹  88
9.2.2  模型框架  88
9.2.3  模型輸入  89
9.2.4  模型訓練  90
9.2.5  模型輸出  90
第10章  深度自注意力網絡  93
10.1  基本原理  93
10.2  基於深度自注意力網絡的礦產資源潛力評價  94
10.2.1  案例介紹  94
10.2.2  模型框架  94
10.2.3  模型輸入  95
10.2.4  模型訓練  96
10.2.5  模型輸出  100
第11章  基於地質約束的深度學習  101
11.1  地質約束深度學習概述  101
11.2  地質約束深度學習方法構建  102
11.3  基於地質約束深度學習的地球化學異常識別  104
11.3.1  案例介紹  104
11.3.2  模型框架  104
11.3.3  模型輸入  105
11.3.4  模型訓練  105
11.3.5  模型輸出  108
11.4  基於地質約束深度學習的礦產資源潛力評價  109
11.4.1  案例介紹  109
11.4.2  模型框架  109
11.4.3  模型輸入  109
11.4.4  模型訓練  110
11.4.5  模型輸出  110
第12章  計算機集群  112
12.1  計算機集群概述  112
12.2  基於計算機集群和卷積神經網絡的地質填圖  112
12.2.1  案例介紹  112
12.2.2  集群登錄  112
12.2.3  數據上傳和下載  114
12.2.4  程序運行115
12.2.5  作業調度  116
12.2.6  結果輸出  117
第13章  展望  119
13.1  數據與知識雙重驅動的大數據礦產預測  119
13.2  礦產資源潛力評價知識圖譜構建  120
13.3  深度學習模型構建  121
13.4  其他  122
參考文獻  123
附錄134
附錄1  基於滑動窗口的樣本制作代碼  134
附錄2  基於地質約束的數據增強代碼  135
附錄3  基於窗口裁剪的數據增強代碼  137
附錄4  基於random-drop的數據增強代碼  139
附錄5  基於像素對匹配的數據增強代碼  141
附錄6  基於卷積神經網絡的地球化學異常識別代碼  145
附錄7  基於卷積神經網絡的礦產資源潛力評價代碼  156
附錄8  基於卷積神經網絡和勘查地球化學數據的地質填圖代碼  158
附錄9  基於全卷積神經網絡的岩性填圖代碼  161
附錄10  循環神經網絡調參代碼  164
附錄11  基於循環神經網絡的礦產資源潛力評價代碼  167
附錄12  基於深度自編碼網絡的地球化學異常識別代碼  174
附錄13  基於生成對抗網絡的地球化學異常識別代碼  181
附錄14  基於深度信念網絡的地球化學異常識別代碼  191
附錄15  基於深度強化學習的礦產資源潛力評價代碼  195
附錄16  基於圖神經網絡的礦產資源潛力評價代碼  201
附錄17  基於深度自注意力網絡的礦產資源潛力評價代碼  210
附錄18  地質約束變分自編碼網絡代碼  212

本書緊扣人工智能和深地資源探測國際學術前沿，主要介紹礦產資源潛力智能評價的概念和深度學習算法基本原理，重點介紹基於深度學習開展礦產資源潛力評價的具體實施步驟，包括軟件環境配置、數據預處理、樣本制作、模型構建及參數調節與優化等。本書可為解決深度學習用於礦產資源潛力評價中面臨的訓練樣本少、模型構建難、可解釋性差等難題提供方案。同時，本書可使讀者在基於深度學習的礦產資源潛力智能評價方面快速入門，並能根據書中提供的實例，結合自己的數據開展礦產資源潛力智能評價。