基于深度学习的智能矿产资源潜力评价原理与实践 左仁广 科学出版社 PDF电子教材 PDF电子书 大学教材电子版 电子课本 网盘下载（价值179元）【高清非扫描版】（2023年02月）

《基于深度学习的智能矿产资源潜力评价原理与实践》左仁广 科学出版社 PDF电子教材 PDF电子书 大学教材电子版 电子课本 网盘下载（价值179元）【高清非扫描版】（2023年02月）

图书简介：

本书紧扣人工智能和深地资源探测国际学术前沿，主要介绍矿产资源潜力智能评价的概念和深度学习算法基本原理，重点介绍基于深度学习开展矿产资源潜力评价的具体实施步骤，包括软件环境配置、数据预处理、样本制作、模型构建及参数调节与优化等。本书可为解决深度学习用于矿产资源潜力评价中面临的训练样本少、模型构建难、可解释性差等难题提供方案。同时，本书可使读者在基于深度学习的矿产资源潜力智能评价方面快速入门，并能根据书中提供的实例，结合自己的数据开展矿产资源潜力智能评价。

目录：

第1章　绪论　1
1.1　矿产资源潜力评价概述　1
1.2　矿产资源潜力智能评价方法概述　3
1.2.1　智能认知　4
1.2.2　智能学习　5
1.2.3　智能决策　6
1.3　基于深度学习的地球化学异常识别　7
1.4　基于深度学习的矿产资源潜力评价　8
第2章　环境配置与样本制作　10
2.1　TensorFlow环境配置　10
2.2　数据准备　13
2.3　样本制作　15
2.4　数据增强　15
2.4.1　基于地质约束的数据增强方法　16
2.4.2　基于random-drop的数据增强方法　17
2.4.3　基于像素对匹配的数据增强方法　20
第3章　卷积神经网络　22
3.1　卷积神经网络基本原理　22
3.2　全卷积神经网络基本原理　24
3.3　参数优化　25
3.4　基于卷积神经网络的地球化学异常识别　31
3.4.1　案例介绍　31
3.4.2　模型框架　32
3.4.3　模型训练　32
3.4.4　模型输出　35
3.5　基于卷积神经网络的矿产资源潜力评价　36
3.5.1　案例介绍　36
3.5.2　模型框架　37
3.5.3　模型输入　37
3.5.4　模型训练　38
3.5.5　模型输出　38
3.6　基于卷积神经网络的地质填图　39
3.6.1　案例介绍　39
3.6.2　模型框架　39
3.6.3　模型输入　41
3.6.4　模型训练　41
3.6.5　模型输出　43
3.7　基于全卷积神经网络的岩性填图　44
3.7.1　案例介绍　44
3.7.2　模型框架　44
3.7.3　模型输入　44
3.7.4　模型训练　45
3.7.5　模型输出　45
第4章　循环神经网络　47
4.1　基本原理　47
4.2　基于循环神经网络的矿产资源潜力评价　49
4.2.1　案例介绍　49
4.2.2　模型框架　50
4.2.3　模型输入　50
4.2.4　模型训练　55
4.2.5　模型输出　58
第5章　深度自编码网络　59
5.1　基本原理　59
5.2　基于深度自编码网络的地球化学异常识别　60
5.2.1　案例介绍　60
5.2.2　模型框架　60
5.2.3　模型输入　61
5.2.4　模型训练　62
5.2.5　模型输出　63
5.3　基于深度自编码网络的矿产资源潜力评价　65
5.3.1　案例介绍　65
5.3.2　模型框架　65
5.3.3　模型输入　65
5.3.4　模型训练　66
5.3.5　模型输出　67
第6章　生成对抗网络　68
6.1　基本原理　68
6.2　基于生成对抗网络的地球化学异常识别　69
6.2.1　案例介绍　69
6.2.2　模型框架　69
6.2.3　模型输入　71
6.2.4　模型训练　71
6.2.5　模型输出　73
第7章　深度信念网络　74
7.1　基本原理　74
7.2　基于深度信念网络的地球化学异常识别　75
7.2.1　案例介绍　75
7.2.2　模型框架　75
7.2.3　模型输入　76
7.2.4　模型训练　76
7.2.5　模型输出　77
第8章　深度强化学习　79
8.1　基本原理　79
8.2　基于深度强化学习的矿产资源潜力评价　81
8.2.1　案例介绍　81
8.2.2　模型框架　81
8.2.3　模型参数　83
8.2.4　模型输入　83
8.2.5　模型训练　83
8.2.6　模型输出　85
第9章　图神经网络　86
9.1　基本原理　86
9.1.1　拓扑图构建　86
9.1.2　图卷积网络　87
9.1.3　图注意力网络　87
9.2　基于图神经网络的矿产资源潜力评价　88
9.2.1　案例介绍　88
9.2.2　模型框架　88
9.2.3　模型输入　89
9.2.4　模型训练　90
9.2.5　模型输出　90
第10章　深度自注意力网络　93
10.1　基本原理　93
10.2　基于深度自注意力网络的矿产资源潜力评价　94
10.2.1　案例介绍　94
10.2.2　模型框架　94
10.2.3　模型输入　95
10.2.4　模型训练　96
10.2.5　模型输出　100
第11章　基于地质约束的深度学习　101
11.1　地质约束深度学习概述　101
11.2　地质约束深度学习方法构建　102
11.3　基于地质约束深度学习的地球化学异常识别　104
11.3.1　案例介绍　104
11.3.2　模型框架　104
11.3.3　模型输入　105
11.3.4　模型训练　105
11.3.5　模型输出　108
11.4　基于地质约束深度学习的矿产资源潜力评价　109
11.4.1　案例介绍　109
11.4.2　模型框架　109
11.4.3　模型输入　109
11.4.4　模型训练　110
11.4.5　模型输出　110
第12章　计算机集群　112
12.1　计算机集群概述　112
12.2　基于计算机集群和卷积神经网络的地质填图　112
12.2.1　案例介绍　112
12.2.2　集群登录　112
12.2.3　数据上传和下载　114
12.2.4　程序运行115
12.2.5　作业调度　116
12.2.6　结果输出　117
第13章　展望　119
13.1　数据与知识双重驱动的大数据矿产预测　119
13.2　矿产资源潜力评价知识图谱构建　120
13.3　深度学习模型构建　121
13.4　其他　122
参考文献　123
附录134
附录1　基于滑动窗口的样本制作代码　134
附录2　基于地质约束的数据增强代码　135
附录3　基于窗口裁剪的数据增强代码　137
附录4　基于random-drop的数据增强代码　139
附录5　基于像素对匹配的数据增强代码　141
附录6　基于卷积神经网络的地球化学异常识别代码　145
附录7　基于卷积神经网络的矿产资源潜力评价代码　156
附录8　基于卷积神经网络和勘查地球化学数据的地质填图代码　158
附录9　基于全卷积神经网络的岩性填图代码　161
附录10　循环神经网络调参代码　164
附录11　基于循环神经网络的矿产资源潜力评价代码　167
附录12　基于深度自编码网络的地球化学异常识别代码　174
附录13　基于生成对抗网络的地球化学异常识别代码　181
附录14　基于深度信念网络的地球化学异常识别代码　191
附录15　基于深度强化学习的矿产资源潜力评价代码　195
附录16　基于图神经网络的矿产资源潜力评价代码　201
附录17　基于深度自注意力网络的矿产资源潜力评价代码　210
附录18　地质约束变分自编码网络代码　212