买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国地质大学(武汉)申请的专利数据和知识耦合的矿产预测深度学习模型构建方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116011522B 。

龙图腾网通过国家知识产权局官网在2026-02-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310131817.1，技术领域涉及：G06N3/0464；该发明授权数据和知识耦合的矿产预测深度学习模型构建方法及系统是由左仁广;罗紫荆;许莹设计研发完成，并于2023-02-17向国家知识产权局提交的专利申请。

本数据和知识耦合的矿产预测深度学习模型构建方法及系统在说明书摘要公布了：本发明公开了一种数据和知识耦合的矿产预测深度学习模型构建方法及系统，方法包括以下步骤：选取考虑相邻单元空间结构及关系的卷积神经网络；对与成矿密切相关的控矿要素进行缓冲区分析，获取缓冲区宽度和矿床分布密度；对控矿要素图层进行赋值；构建顾及控矿要素与矿床空间耦合关系的全连接隐含层；构建基于矿床空间分布规律的深度学习损失函数；根据赋值后的控矿要素图层、隐含层结构以及深度学习损失函数，构建数据和知识耦合的矿产预测深度学习模型。本申请构建数据和知识耦合的双重驱动的矿产预测深度学习模型，提高了研究区矿化信息集成的可靠性以及预测结果的准确性，从而为下一步找矿工作提供值得信赖的关键证据。

本发明授权数据和知识耦合的矿产预测深度学习模型构建方法及系统在权利要求书中公布了：1.一种数据和知识耦合的矿产预测深度学习模型构建方法，其特征在于，包括以下步骤： 选取考虑相邻单元空间结构及关系的卷积神经网络； 对与成矿密切相关的控矿要素进行缓冲区分析，获取缓冲区宽度和矿床分布密度； 根据获取的缓冲区宽度以及矿床分布密度，构建矿床分布密度与缓冲区宽度的幂律函数，根据构建的幂律函数获取约束权重并对控矿要素图层进行赋值； 构建顾及控矿要素与矿床空间耦合关系的全连接隐含层； 构建基于矿床空间分布规律的深度学习损失函数； 根据赋值后的控矿要素图层、隐含层结构以及深度学习损失函数，对选取的卷积神经网络的训练过程提供地质先验知识指导，构建数据和知识耦合的矿产预测深度学习模型； 所述根据获取的缓冲区宽度以及矿床分布密度，构建矿床分布密度与缓冲区宽度的幂律函数，根据构建的幂律函数获取权重并对控矿要素图层进行赋值步骤，具体包括以下步骤： 根据获取的缓冲区宽度以及矿床分布密度，构建矿床分布密度与缓冲区宽度的幂律函数如下： ρ=cda‑2，式中，c为常数，d为缓冲区宽度，a为奇异性指数； 对矿床分布密度与缓冲区宽度的幂律函数进行归一化处理，获取不同缓冲区对矿床形成的约束权重如下式所示： =cda‑2ρmax，其中，ρmax为矿床分布密度与缓冲区距离幂律函数的最大值； 对控矿要素图层进行约束权重赋值； 所述构建顾及控矿要素与矿床空间耦合关系的全连接隐含层步骤，具体包括以下步骤： 根据卷积神经网络的训练方式与全连接隐含层的数学原理以及控矿要素的地质内涵，构建顾及控矿要素与矿床空间耦合关系的全连接隐含层： 令隐含层中神经元的线性方程为x+b，其中，x代表SoftMax层的输出概率，ki是卷积神经网络中每个输入样本与第i个控矿要素图层所对应的网格单元赋值，为可训练的权重参数，b为可训练的偏置项参数；采用Sigmoid激活函数对上述线性方程的输出作运算以映射神经元特征，即y =，其中为常数，以此实现采用硬约束手段构建顾及控矿要素与矿床空间耦合关系的全连接隐含层； 所述构建基于矿床空间分布规律的深度学习损失函数步骤，具体包括以下步骤： 构建控矿要素与卷积神经网络预测成矿概率间的函数关系，并与卷积神经网络的交叉熵函数相结合，获取基于矿床空间分布规律的深度学习损失函数：构建卷积神经网络的交叉熵损失函数= []； 式中，p为输入样本的真实标签，为输入样本的成矿概率预测值； 构建控矿要素与卷积神经网络预测成矿概率间的函数关系为基于矿床空间分布规律构建的正则项，为输入样本对应的控矿要素图层的网格单元赋值，并通过L2正则化公式获取项； 利用软约束手段将构建的函数关系与交叉熵损失函数相结合，获取基于矿床空间分布规律的深度学习损失函数如下式所示： ,式中，为基于矿床空间分布规律构建的正则项，为基于硬约束手段构建的卷积神经网络的交叉熵损失函数，为衡量交叉熵损失函数与基于矿床空间分布规律的正则项之间比重的权重系数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。