| 摘要 | 第4-5页 |
| abstract | 第5-9页 |
| 1绪论 | 第9-16页 |
| 1.1研究背景 | 第9-10页 |
| 1.2国内外研究现状 | 第10-13页 |
| 1.2.1覆盖区隐伏岩体推断的研究现状 | 第10-11页 |
| 1.2.2机器学习与卷积神经网络在地学中的应用现状 | 第11-13页 |
| 1.2.3存在问题 | 第13页 |
| 1.3研究内容与技术路线 | 第13-14页 |
| 1.3.1研究内容 | 第13-14页 |
| 1.3.2技术路线 | 第14页 |
| 1.4完成工作量 | 第14-16页 |
| 2区域地质背景 | 第16-22页 |
| 2.1大地构造背景 | 第16-17页 |
| 2.2区域地质概况 | 第17-20页 |
| 2.2.1地层 | 第17-18页 |
| 2.2.2构造 | 第18-19页 |
| 2.2.3火山岩 | 第19-20页 |
| 2.2.4侵入岩 | 第20页 |
| 2.3区域矿产概况 | 第20-22页 |
| 3非线性理论与深度学习 | 第22-31页 |
| 3.1非线性理论之局部奇异性 | 第22-24页 |
| 3.1.1局部奇异性原理 | 第22-23页 |
| 3.1.2局部奇异性分析方法 | 第23-24页 |
| 3.2深度学习之卷积神经网络 | 第24-30页 |
| 3.2.1卷积层 | 第25-28页 |
| 3.2.2池化层 | 第28-29页 |
| 3.2.3全连接层 | 第29-30页 |
| 3.3非线性理论和深度学习的结合 | 第30-31页 |
| 4覆盖区地球化学数据分析 | 第31-44页 |
| 4.1研究区勘查地球化学数据 | 第31-35页 |
| 4.2地球化学单元素奇异性分析 | 第35-41页 |
| 4.3地球化学多元素奇异性分析 | 第41-43页 |
| 4.4本章小结 | 第43-44页 |
| 5覆盖区隐伏基岩推断 | 第44-57页 |
| 5.1不考虑空间信息的CNN | 第44-50页 |
| 5.1.1地球化学信息提取 | 第44页 |
| 5.1.2建立训练集与测试集 | 第44-45页 |
| 5.1.3卷积神经网络模型设置与实验 | 第45-47页 |
| 5.1.4不同激励函数的训练结果 | 第47-49页 |
| 5.1.5基岩推断结果 | 第49-50页 |
| 5.2考虑空间信息的CNN | 第50-55页 |
| 5.2.1地球化学信息提取 | 第50页 |
| 5.2.2建立训练集与测试集 | 第50-52页 |
| 5.2.3卷积神经网络模型设置与实验 | 第52-54页 |
| 5.2.4基岩推断结果 | 第54-55页 |
| 5.3两种基岩推断结果的比较 | 第55-57页 |
| 6结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 附图单元素局部奇异性 | 第65-75页 |
| 附录卷积神经网络（CNN）模型程序实现代码（Python） | 第75-85页 |
| (1)不考虑空间信息的CNN | 第75-78页 |
| (2)考虑空间信息的CNN | 第78-85页 |
| 个人简历 | 第85页 |