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！

申请/专利权人：中南大学

摘要：本发明实施例中提供了一种基于注意力机制的三维成矿预测深度学习模型构建方法，属于计算技术领域，具体包括：获取面向深部控矿指标缺失区全体成矿地质体元的浅层断裂面格网模型影响区；对面向深部控矿指标缺失区全体成矿地质体元的浅层断裂面格网模型影响区进行基于相应目标成矿地质体元的动态位置嵌入；依据已完成动态位置嵌入的成矿地质体元的浅层断裂面格网模型影响区，构建表达浅层断裂面格网模型影响区对目标矿地质体元控矿作用的深度神经网络；使用已训练好的表达浅层断裂面格网模型影响区对目标成矿地质体元控矿作用的深度神经网络对成矿地质体元验证集进行分类验证。通过本发明的方案，提高了构建的模型的预测效率和适应性。

主权项：1.一种基于注意力机制的三维成矿预测深度学习模型构建方法，其特征在于，包括：步骤1，获取面向深部控矿指标缺失区全体成矿地质体元的浅层断裂面格网模型影响区；所述步骤1具体包括：步骤1.1，依据PyTorch框架,构建蕴含深部控矿指标缺失区位置信息与矿化信息的成矿地质体元张量集合，共包含个体元，每个体元用表示，，表示该体元位置信息，表示该体元的矿化标签信息，其中，所述成矿地质体元张量集合的表达式为： 其中，成矿地质体元张量集合的每一行表示集合中的一个体元对象；步骤1.2，依据PyTorch框架，构建影响深部控矿指标缺失区矿化现象形成的浅层断裂面格网模型: 其中，浅层断裂面格网模型以顶点集合的形式表示,其中顶点集合的某一具体顶点，共包含顶点的位置信息与顶点的法向量，其中；步骤1.3，以深部控矿指标缺失区成矿地质体元为中心，计算浅层断裂面三维格网模型相对于当前所选目标成矿地质体元的相对位置坐标与法向量，最终整理得到分别以各个目标成矿地质体元为中心时的浅层断裂面格网模型全体顶点集合，统一合并整理为，所得到的为维的张量，即表示目标成矿地质体元总数，表示浅层断裂面格网模型顶点数，为断裂面格网模型顶点的属性维数，其中，所述以各个目标成矿地质体元为中心时的浅层断裂面格网模型全体顶点集合的表达式为 ；其中，；步骤1.4，基于相对位置坐标，计算相对位置坐标范数，进而得到对应于面向成矿地质体元的归一化相对位置坐标范数张量，并统一整理为，其中，相对位置坐标范数的表达式为 所述归一化相对位置坐标范数张量的表达式为 ；步骤1.5，根据预设划定规则确定浅部断裂面格网模型对深部控矿指标缺失区内成矿地质体元的影响区；所述步骤1.5具体包括：步骤1.5.1，对于面向成矿地质体元的,依据归一化相对位置坐标范数，取升序下较小的L=1024个值,此1024个归一化相对位置坐标范数所对应的浅部断裂面格网模型L=1024个顶点为所划定的面向成矿地质体元的影响区，在PyTorch框架下，按照批次处理的方法，并行地处理对应于N=16个成矿地质体元的浅部断裂面格网模型顶点集，在此基础上合并整理得到分别面向所有成矿地质体元的张量；步骤1.5.2，对于面向成矿地质体元的,依据归一化相对位置坐标范数，统计范数高斯概率密度，得到面向成矿地质体元范数高斯概率张量； ；其中为均值，为方差，， 其中，，依据面向成矿地质体元的浅部断裂面格网模型的个顶点，依据每个顶点所对应的大小，确定该顶点是否被选中为面向成矿地质体元的影响区，按此依据选择浅部断裂面格网模型L=1024个顶点为所划定的面向成矿地质体元的影响区，PyTorch框架下，按照批次处理的方法，每批次并行地处理对应于N=16个成矿地质体元的浅部断裂面格网模型顶点集，在此基础上合并整理得到分别面向所有成矿地质体元的张量，最终，得到两种影响区划定方法所得到的面向所有成矿地质体元的基于范数的影响区与基于范数高斯概率密度的影响区；步骤2，对面向深部控矿指标缺失区全体成矿地质体元的浅层断裂面格网模型影响区进行基于相应目标成矿地质体元的动态位置嵌入；步骤3，依据已完成动态位置嵌入的成矿地质体元的浅层断裂面格网模型影响区，构建表达浅层断裂面格网模型影响区对目标矿地质体元控矿作用的深度神经网络；所述步骤3具体包括：步骤3.1，以面向成矿地质体元的影响区动态位置嵌入结果张量为输入，搭建影响区的特征降采样子层与基于注意力机制的征重采样子层交叉堆叠的网络编码器模块，实现影响区几何与拓扑特征深度编码表征，特征降采样子层首先按照最远点采样方式，随机选取影响区1024个顶点中的任一顶点作为特征降采样的起始顶点，记为，计算影响区内其余1023个顶点同的最小欧氏距离，取距最远的顶点，记为，然后计算影响区内剩余1022个顶点同集合的最小欧式距离,在所得到的1022个最小欧式距离中，取最大值所对应的影响区顶点，记为,以此类推，直到取得，即设置降采样率为，以所获得的为中心点，在原始影响区的1024个顶点中计算各中心点的15个近邻顶点，即依据对原始影响区的1024个顶点进行多中心分组，得到256个分组结果，对每一组顶点集设置一个全连接层、最大池化层与批次正则化层对其张量进行高维抽象表达: 其中，非线性修正单元为 的输入维度为32，输出维度为，即设置特征的高维表达提升至原始维度的2倍，最大池化层的池化窗口设置为4，批正则化为对全部顶点的所有32维特征进行正则化，将所得到的特征降采样结果与作为Point-Transformer特征重采样子层的输入，实现对关键高维特征的强化关注，并削弱无关区域的潜在影响风险，Point-Transformer特征重采样子层通过自注意力机制与全连接操作，以提取体元受影响区顶点几何与拓扑属性的影响的深度编码表达；Point-Transformer特征重采样子层首先设置三个嵌入线性映射，分别对与对应的设置升至512维的简单线性映射单元, 其中，为可学习的网络权重参数，表示输入Point-Transformer特征重采样子层前的张量特征维度,经过此处的线性映射，将得到影响区的各分组的中心点查询张量以及影响区的各分组内的16个顶点的键、值张量和，表示影响区的第个分组内的第个顶点，，根据影响区顶点设计可学习的位置编码；记面向成矿地质体元的顶点影响区1024个顶点三维相对坐标张量为，降采样子层中所确定的256个中心点的三维相对坐标张量为，以这些中心点所确定的256个分组顶点的三维相对坐标张量； 其中，为维的张量，每一行表示面向成矿地质体元顶点影响区的分组，记为，表示影响区的第个分组内的第个顶点，，位置编码由一个包含两个线性映射单元与一个非线性修正单元的多层感知机层， 其中，，表示影响区的第个分组内的第个顶点，根据以上得到的进行自注意力运算，自注意力得分计算为: ；其中，，表示影响区的第个分组内的第个顶点，，对512维特征进行标准化，得到影响区分组中心点同组内其余点在特征维度方向上的归一化相似度量，基于所得到的归一化相似度量，对各个分组顶点特征进行权重加权 最终根据每个分组内的16个顶点经自注意运算后得到的更新张量取均值，得到面向成矿地质体元的影响区第个分组下的中心点的自注意力运算结果 完成计算后再进行简单线性映射，将得到面向成矿地质体元的影响区第个分组下的中心点特征表达由512维降维至进入Point-Transformer特征重采样子层前的张量特征维度； 其中，，表示面向成矿地质体元影响区顶点1阶更新结果,，包含维特征；步骤3.2，完成对面向成矿地质体元的影响区内各顶点的首次特征降采样与重采样后，将所得到的影响区分组中心点特征表达的更新结果，输入下一阶的影响区的特征降采样子层与基于注意力机制的征重采样子层交叉堆叠模块，共设置4阶，每阶处理后，面向成矿地质体元的影响区顶点数降为输入前的，特征表达维度升为输入前的二倍，经过4阶处理后，得到面向成矿地质体元影响区顶点4阶更新结果,,包含维特征；步骤3.3，完成对面向成矿地质体元影响区顶点4阶更新后，通过一个预设的多层感知机层对均值特征表达进行成矿后验概率连接，此多层感知机层保护三个线性映射单元，两个非线性修正单元与一个批次正则化单元: ；其中，，此面向成矿地质体元经变换后，得到对应于成矿地质体元成矿后验概率值； 其中，表示成矿地质体元被判别为未成矿体元的概率，表示成矿地质体元被判别为成矿体元的概率，；步骤3.4，根据所得到的成矿地质体元被判别为成矿体元的概率与成矿地质体元的矿化标签信息,设置表征成矿地质体元成矿后验概率同真实矿化标签差异的二分类交叉熵损失函数: ；步骤3.5，故基于二分类交叉熵损失函数对网络构建中所设置的全体权重参数进行基于反向传播算法的权重更新，优化器选择自适应动量矩估计算法Adam对网络结构进行优化，得到表达浅层断裂面格网模型影响区对目标矿地质体元控矿作用的深度神经网络；步骤4，使用已训练好的表达浅层断裂面格网模型影响区对目标成矿地质体元控矿作用的深度神经网络对成矿地质体元验证集进行分类验证。

全文数据：

权利要求：

百度查询： 中南大学 基于注意力机制的三维成矿预测深度学习模型构建方法