監(jiān)督神經(jīng)網(wǎng)絡(luò)是智能找礦預(yù)測(cè)領(lǐng)域的重要研究方向，然而使用有監(jiān)督的深度學(xué)習(xí)進(jìn)行找礦預(yù)測(cè)的一個(gè)主要瓶頸是缺乏訓(xùn)練樣本。一個(gè)研究區(qū)通常僅有的十幾個(gè)或更少的礦床和礦點(diǎn)不足以滿足深度學(xué)習(xí)訓(xùn)練樣本的要求。

針對(duì)上述問題，吉林大學(xué)地球科學(xué)學(xué)院薛林福教授團(tuán)隊(duì)的博士研究生丁可等將小樣本深度學(xué)習(xí)模型引入到找礦預(yù)測(cè)中，提出和實(shí)現(xiàn)了一種基于孿生網(wǎng)絡(luò)的有監(jiān)督的深度學(xué)習(xí)找礦預(yù)測(cè)方法，在一定程度解決了訓(xùn)練樣本不足的問題。

孿生網(wǎng)絡(luò)是一種基于度量的元學(xué)習(xí)網(wǎng)絡(luò)，元學(xué)習(xí)可以學(xué)會(huì)學(xué)習(xí)：即用過去的知識(shí)和經(jīng)驗(yàn)來指導(dǎo)新任務(wù)的學(xué)習(xí)。與常規(guī)神經(jīng)網(wǎng)絡(luò)的不同是：孿生網(wǎng)絡(luò)輸入的是一對(duì)樣本，能夠通過衡量輸入樣本的相似性從新樣本中自動(dòng)發(fā)現(xiàn)泛化特征。該網(wǎng)絡(luò)應(yīng)用于礦產(chǎn)勘察領(lǐng)域進(jìn)行找礦的主要步驟（圖1）如下：

1.構(gòu)建樣本數(shù)據(jù)

將研究區(qū)已有地質(zhì)、元素地球化學(xué)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(duì)其進(jìn)行網(wǎng)格化。

通過窗口滑動(dòng)進(jìn)行數(shù)據(jù)增強(qiáng)獲取樣本數(shù)據(jù)（圖2），并采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取窗口的數(shù)據(jù)特征，每個(gè)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(jī)配對(duì)方式構(gòu)建訓(xùn)練和驗(yàn)證樣本數(shù)據(jù)集，進(jìn)一步增強(qiáng)數(shù)據(jù)集。

對(duì)于孿生網(wǎng)絡(luò)采用逐對(duì)訓(xùn)練，將會(huì)有平方級(jí)別對(duì)圖像網(wǎng)格對(duì)來訓(xùn)練模型，這也讓模型很難過擬合。孿生網(wǎng)絡(luò)需要相同類的和不同類的配對(duì)都有且分布均衡。訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集都要包括相同類的圖像對(duì)和不同類的圖像對(duì)。

2.孿生網(wǎng)絡(luò)構(gòu)建

孿生網(wǎng)絡(luò)(Siamese Network)的核心思想即通過兩個(gè)權(quán)重相同、結(jié)構(gòu)一致的神經(jīng)網(wǎng)絡(luò)提取在公共特征空間上兩個(gè)輸入樣本的特征，在新的特征空間對(duì)這兩個(gè)輸入進(jìn)行度量學(xué)習(xí)，使其得到任務(wù)需求的特征（圖3）。

將兩個(gè)相同的CNN作為數(shù)據(jù)輸入的端口，同時(shí)對(duì)輸入兩個(gè)窗口單元的數(shù)據(jù)進(jìn)行空間結(jié)構(gòu)特征自動(dòng)提取，挖掘礦床與數(shù)據(jù)特征間的非線性關(guān)系，并將包含已知礦床的窗口作為找礦預(yù)測(cè)類型，通過學(xué)習(xí)特征而建立孿生網(wǎng)絡(luò)找礦預(yù)測(cè)模型。

3.模型訓(xùn)練與驗(yàn)證

將隨機(jī)配對(duì)的訓(xùn)練樣本數(shù)據(jù)對(duì)輸入到模型中，采用不同參數(shù)和超參數(shù)（窗口大小，滑動(dòng)步長等）對(duì)模型進(jìn)行訓(xùn)練，再通過驗(yàn)證數(shù)據(jù)集選取最優(yōu)預(yù)測(cè)模型。

對(duì)預(yù)測(cè)區(qū)網(wǎng)格通過滑動(dòng)窗口方式進(jìn)行預(yù)測(cè)，窗口滑動(dòng)的步長可以設(shè)定為1、2…n。在找礦預(yù)測(cè)階段將每個(gè)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(xùn)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(yù)測(cè)有利成礦遠(yuǎn)景區(qū)。

該方法經(jīng)在河北張家口崇禮礦集區(qū)進(jìn)行金礦找礦應(yīng)用，并與證據(jù)權(quán)重法及卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型的預(yù)測(cè)結(jié)果對(duì)比（圖4）得出：（a）孿生網(wǎng)絡(luò)模型的預(yù)測(cè)效果優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，明顯優(yōu)于證據(jù)權(quán)重（WOE）方法；(b)預(yù)測(cè)結(jié)果與研究區(qū)地質(zhì)成礦特征及已知礦床高度吻合。

該項(xiàng)研究驗(yàn)證了孿生網(wǎng)絡(luò)在智能找礦預(yù)測(cè)領(lǐng)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(yù)測(cè)結(jié)果，具有廣泛的推廣應(yīng)用價(jià)值。

上述研究成果已發(fā)表于國際地學(xué)權(quán)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(xiàng)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(yù)測(cè)項(xiàng)目（DD20190159）資助。