監(jiān)督神經(jīng)網(wǎng)絡是智能找礦預測領域的重要研究方向，然而使用有監(jiān)督的深度學習進行找礦預測的一個主要瓶頸是缺乏訓練樣本。一個研究區(qū)通常僅有的十幾個或更少的礦床和礦點不足以滿足深度學習訓練樣本的要求。

針對上述問題，吉林大學地球科學學院薛林福教授團隊的博士研究生丁可等將小樣本深度學習模型引入到找礦預測中，提出和實現(xiàn)了一種基于孿生網(wǎng)絡的有監(jiān)督的深度學習找礦預測方法，在一定程度解決了訓練樣本不足的問題。

孿生網(wǎng)絡是一種基于度量的元學習網(wǎng)絡，元學習可以學會學習：即用過去的知識和經(jīng)驗來指導新任務的學習。與常規(guī)神經(jīng)網(wǎng)絡的不同是：孿生網(wǎng)絡輸入的是一對樣本，能夠通過衡量輸入樣本的相似性從新樣本中自動發(fā)現(xiàn)泛化特征。該網(wǎng)絡應用于礦產(chǎn)勘察領域進行找礦的主要步驟（圖1）如下：

1.構建樣本數(shù)據(jù)

將研究區(qū)已有地質(zhì)、元素地球化學異常和航磁數(shù)據(jù)，利用不同插值方法將其歸算成規(guī)則網(wǎng)格中的代表值，并對其進行網(wǎng)格化。

通過窗口滑動進行數(shù)據(jù)增強獲取樣本數(shù)據(jù)（圖2），并采用卷積神經(jīng)網(wǎng)絡（CNN）提取窗口的數(shù)據(jù)特征，每個窗口的網(wǎng)格數(shù)據(jù)可看成一幅包括地質(zhì)、化探、物探信息的多通道圖像，再通過樣本隨機配對方式構建訓練和驗證樣本數(shù)據(jù)集，進一步增強數(shù)據(jù)集。

對于孿生網(wǎng)絡采用逐對訓練，將會有平方級別對圖像網(wǎng)格對來訓練模型，這也讓模型很難過擬合。孿生網(wǎng)絡需要相同類的和不同類的配對都有且分布均衡。訓練數(shù)據(jù)集和驗證數(shù)據(jù)集都要包括相同類的圖像對和不同類的圖像對。

2.孿生網(wǎng)絡構建

孿生網(wǎng)絡(Siamese Network)的核心思想即通過兩個權重相同、結構一致的神經(jīng)網(wǎng)絡提取在公共特征空間上兩個輸入樣本的特征，在新的特征空間對這兩個輸入進行度量學習，使其得到任務需求的特征（圖3）。

將兩個相同的CNN作為數(shù)據(jù)輸入的端口，同時對輸入兩個窗口單元的數(shù)據(jù)進行空間結構特征自動提取，挖掘礦床與數(shù)據(jù)特征間的非線性關系，并將包含已知礦床的窗口作為找礦預測類型，通過學習特征而建立孿生網(wǎng)絡找礦預測模型。

3.模型訓練與驗證

將隨機配對的訓練樣本數(shù)據(jù)對輸入到模型中，采用不同參數(shù)和超參數(shù)（窗口大小，滑動步長等）對模型進行訓練，再通過驗證數(shù)據(jù)集選取最優(yōu)預測模型。

對預測區(qū)網(wǎng)格通過滑動窗口方式進行預測，窗口滑動的步長可以設定為1、2…n。在找礦預測階段將每個找礦窗口的特征與已知礦床窗口作為輸入數(shù)據(jù)輸入到訓練好的模型中，通過比較有礦窗口和無礦窗口的相似度，篩選出具有相似或相同數(shù)據(jù)特征的網(wǎng)格區(qū)域，從而預測有利成礦遠景區(qū)。

該方法經(jīng)在河北張家口崇禮礦集區(qū)進行金礦找礦應用，并與證據(jù)權重法及卷積神經(jīng)網(wǎng)絡（CNN）模型的預測結果對比（圖4）得出：（a）孿生網(wǎng)絡模型的預測效果優(yōu)于卷積神經(jīng)網(wǎng)絡（CNN）模型，明顯優(yōu)于證據(jù)權重（WOE）方法；(b)預測結果與研究區(qū)地質(zhì)成礦特征及已知礦床高度吻合。

該項研究驗證了孿生網(wǎng)絡在智能找礦預測領域的可用性，拓展了解決樣本數(shù)據(jù)不足問題的方法，可獲得良好的找礦預測結果，具有廣泛的推廣應用價值。

上述研究成果已發(fā)表于國際地學權威期刊《Ore Geology Reviews》。

Ding, K., Xue, L., Ran, X., Wang, J., & Yan, Q. (2022). Siamese Network Based Prospecting Prediction Method: A case study from the Au deposit in the Chongli mineral concentrate area in Zhangjiakou, Hebei Province, China. Ore Geology Reviews, 105024. https://doi.org/https://doi.org/10.1016/j.oregeorev.2022.105024。項目資助：本研究受中國地質(zhì)調(diào)查局礦產(chǎn)地質(zhì)調(diào)查與找礦預測項目（DD20190159）資助。