基于深度学习的多源信息找矿模型构建及应用
| 摘要 | 第4-5页 |
| Abstract | 第5-9页 |
| 第1章引言 | 第9-16页 |
| 1.1选题背景及研究意义 | 第9-10页 |
| 1.2国内外研究现状 | 第10-13页 |
| 1.2.1大数据下的深部找矿现状 | 第10-11页 |
| 1.2.2深度学习研究现状 | 第11-13页 |
| 1.3研究内容及技术路线 | 第13-14页 |
| 1.4论文创新点 | 第14-15页 |
| 1.5论文章节安排 | 第15-16页 |
| 第2章深度学习相关理论 | 第16-32页 |
| 2.1深度学习的概念 | 第16-17页 |
| 2.2深度学习的流程 | 第17-18页 |
| 2.3深度学习的基础知识 | 第18-23页 |
| 2.3.1神经元 | 第18-20页 |
| 2.3.2感知机与梯度下降 | 第20页 |
| 2.3.3过拟合与欠拟合 | 第20-23页 |
| 2.4深度学习常用模型介绍 | 第23-24页 |
| 2.5深度神经网络（DNN） | 第24-29页 |
| 2.5.1DNN的基本结构 | 第25-26页 |
| 2.5.2DNN前向传播算法 | 第26-27页 |
| 2.5.3DNN反向传播算法 | 第27-29页 |
| 2.6深度学习常用框架介绍 | 第29-31页 |
| 2.7本章小结 | 第31-32页 |
| 第3章基于DNN的多源信息预测模型构建 | 第32-41页 |
| 3.1DNN网络结构设计 | 第32-33页 |
| 3.2DNN网络参数设置 | 第33-34页 |
| 3.2.1隐藏层层数 | 第33页 |
| 3.2.2神经元个数 | 第33-34页 |
| 3.3激活函数的选择 | 第34-37页 |
| 3.3.1Sigmoid函数 | 第35页 |
| 3.3.2Tanh函数 | 第35-36页 |
| 3.3.3ReLU函数 | 第36页 |
| 3.3.4LeakyReLU函数 | 第36-37页 |
| 3.4输出层激活函数与损失函数 | 第37-40页 |
| 3.4.1均方差损失函数 | 第38-39页 |
| 3.4.2交叉熵损失函数 | 第39-40页 |
| 3.5本章小结 | 第40-41页 |
| 第4章模型应用分析 | 第41-57页 |
| 4.1研究区简介 | 第41页 |
| 4.2环境搭建 | 第41-42页 |
| 4.3三维地质体模型构建及多源信息提取 | 第42-46页 |
| 4.3.1岩性的整数编码 | 第42-43页 |
| 4.3.2数据归一化 | 第43页 |
| 4.3.3三维地质体模型构建 | 第43-46页 |
| 4.4基于DNN的成矿预测网络结构核心参数确定 | 第46-51页 |
| 4.4.1隐藏层层数 | 第47页 |
| 4.4.2神经元个数 | 第47-48页 |
| 4.4.3学习率与迭代次数 | 第48-50页 |
| 4.4.4梯度下降方式 | 第50-51页 |
| 4.4.5模型参数配置 | 第51页 |
| 4.5模型评价指标 | 第51-53页 |
| 4.6预测结果及分析 | 第53-56页 |
| 4.6.1模型训练集与测试集 | 第53页 |
| 4.6.2模型训练效果分析 | 第53-54页 |
| 4.6.3模型预测结果分析 | 第54-56页 |
| 4.7本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读学位期间取得学术成果 | 第64页 |
