Расширенный поиск
НЕЙРОСЕТЕВОЙ КЛАСТЕРНЫЙ АНАЛИЗ ПЛОЩАДНЫХ ГЕОФИЗИЧЕСКИХ ДАННЫХ РУДОНОСНОГО ХИБИНО-ЛОВОЗЁРСКОГО ВУЛКАНО-ПЛУТОНИЧЕСКОГО КОМПЛЕКСА (КОЛЬСКИЙ П-ОВ) МЕТОДОМ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА
1 ООО “Норильскгеология”
2 Московский государственный университет имени М.В. Ломоносова
2 Московский государственный университет имени М.В. Ломоносова
Журнал: Геофизические исследования
Том: 22
Номер: 1
Год: 2021
Страницы: 25-39
УДК: 004.891.3; 550.8.053
DOI: 10.21455/gr2021.1-2
Показать библиографическую ссылку
НИКУЛИН И.И., САМСОНОВ А.А. НЕЙРОСЕТЕВОЙ КЛАСТЕРНЫЙ АНАЛИЗ ПЛОЩАДНЫХ ГЕОФИЗИЧЕСКИХ ДАННЫХ РУДОНОСНОГО ХИБИНО-ЛОВОЗЁРСКОГО ВУЛКАНО-ПЛУТОНИЧЕСКОГО КОМПЛЕКСА (КОЛЬСКИЙ П-ОВ) МЕТОДОМ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА // Геофизические исследования. 2021. Т. 22. № 1. С. 25-39. DOI: 10.21455/gr2021.1-2
@article{НИКУЛИННЕЙРОСЕТЕВОЙ2021,
author = "НИКУЛИН, И. И. and САМСОНОВ, А. А.",
title = "НЕЙРОСЕТЕВОЙ КЛАСТЕРНЫЙ АНАЛИЗ ПЛОЩАДНЫХ ГЕОФИЗИЧЕСКИХ ДАННЫХ РУДОНОСНОГО ХИБИНО-ЛОВОЗЁРСКОГО ВУЛКАНО-ПЛУТОНИЧЕСКОГО КОМПЛЕКСА (КОЛЬСКИЙ П-ОВ) МЕТОДОМ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА",
journal = "Геофизические исследования",
year = 2021,
volume = "22",
number = "1",
pages = "25-39",
doi = "10.21455/gr2021.1-2",
language = "Russian"
}
Скопировать ссылку в формате ГОСТ
Скопировать ссылку BibTex
Файлы:
Ключевые слова: гравиразведка, магниторазведка, иерархическая модель, искусственная нейронная сеть, карта Кохонена, нечеткая логика, кластерный анализ
Аннотация: Описана методика автоматической экспресс-интерпретации данных площадных геофизических исследований на примере Хибино-Ловозёрского вулкано-плутонического комплекса, в рамках которой построена комплексная геофизико-математическая модель, состоящая из пятнадцати уровней иерархии и базирующаяся на использовании математического аппарата искусственных нейронных сетей. В обработке данных геофизических съемок применен метод самоорганизующихся карт Кохонена. Это математический аппарат нечеткой логики, искусственная нейронная сеть которого обучается без учителя. Обосновано формирование групп кластеров, характеризующих в наибольшей степени возможные связи между многомерными геофизическими данными, и проанализировано наличие взаимосвязей между ними путем выявления корреляционных зависимостей. Проведен анализ различных геофизических трансформант с применением самоорганизующихся карт Кохонена. Искусственной нейронной сетью вычислены кластеры, которые в результате исследования отражают картину крупной палеозойской рудно-магматической системы на северо-востоке Фенноскандинавского щита, объединяющей Хибинский и Ловозёрский плутоны, Кургинскую интрузию, вулканогенные образования и многочисленные рои щелочных даек. Определен ряд входных показателей-репрезентантов своих групп, на основе которых построена геофизико-математическая модель в виде двумерной карты кластеров с использованием инструментария нечеткой логики. Сформированы терминологические множества для каждой группы кластеров; задан вид функций принадлежности ранее неизвестных геологических объектов по новым проинтерпретированным данным и их параметры применительно к главному кольцу Хибинского массива, контролирующему редкоземельно-титан-алюмо-фосфорные месторождения, и Федоро-Панским Тундрам (платино-паладиевые месторождения). Предложены объекты, потенциальные для геологического изучения вблизи Ловозёрского эвдиалитового циркон-редкоземельного месторождения. Проведенное экспериментальное исследование подтвердило адекватность построенной модели и эффективность ее использования для экспресс-анализа геофизических данных и принятия решений в геолого-поисковых задачах.
Список литературы: Арзамасцев А.А., Арзамасцева Л.В., Жирова А.М., Глазнев В.Н. Модель формирования Хибино-Ловозерского рудоносного вулкано-плутонического комплекса // Геология рудных месторождений. 2013. Т. 55, № 5. С.397-414.
Иванюк Г.Ю., Горяинов П.М., Пахомовский Я.А., Коноплёва Н.Г., Яковенчук В.Н., Базай А.В., Калашников А.О. Самоорганизация рудных комплексов. Синергетические принципы прогнозирования и поисков месторождений полезных ископаемых. М.: ГЕОКАРТ-ГЕОС, 2009. 392 с.
Кириллов И.И., Морозов И.Н., Олейник А.Г. Разработка моделей экспресс-анализа обогатительных процессов на основе нейросетей и нечеткой логики // Труды Кольского научного центра РАН. 2013. № 5 (18). С.152-159.
Кохонен Т. Самоорганизующиеся карты. Серия: Адаптивные и интеллектуальные системы. Пер. с англ. М.: Бином. Лаборатория знаний, 2008. 656 с.
Никулин И.И., Савко А.Д. Железорудные коры выветривания Белгородского района Курской магнитной аномалии / Труды научно-исследовательского института геологии Воронежского государственного университета. Воронеж: Изд-во ВГУ, 2015. Вып. 85. 102 с.
Cамоорганизующиеся карты Кохонена - математический аппарат. URL: https://basegroup.ru/community/articles/som (дата обращения: 29.09.2020)
Шаблинский Г.Н. К вопросу о глубинном строении Хибинского и Ловозерского плутонов // Труды Ленинградского общества естествоиспытателей. 1963. Т. 74. С.41-43.
Cavalcanti R.B.C., Pimentel B.A., de Almeida C.W.D., de Souza R.M.C.R. A Multivariate Fuzzy Kohonen Clustering Network // 2019 International Joint Conference on Neural Networks (IJCNN). 2019. https://ieeexplore.ieee.org/document/8852243. doi: 10.1109/IJCNN.2019.8852243
Diachenko V., Liashenko O., Ibrahim B.F., Mikhal O., Koltun Yu. Kohonen Network with Parallel Training: Operation Structure and Algorithm // International Journal of Advanced Trends in Computer Science and Engineering. 2019. V. 8, N 1. P.35-38. doi.org/10.30534/ijatcse/2019/ 0681.22019
Hu Z., Bodyanskiy Y.V., Tyshchenko O.K. Kohonen Maps and Their Ensembles for Fuzzy Clustering Tasks // Self-Learning and Adaptive Algorithms for Business Applications, Emerald Publishing Limited, 2019. P.51-77. doi.org/10.1108/978-1-83867-171-620191004
Kalashnikov A.O., Nikulin I.I., Stepenshchikov D.G. Unsupervised geochemical classification and automatic 3D mapping of the Bolshetroitskoe high-grade iron ore deposit (Belgorod Region, Russia) // Scientific Reports. 2020. V. 10, N 17861. 13 p. https://doi.org/10.1038/s41598-020-74505-y
Larose D.T., Larose C.D. Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, 2014. 336 p. doi.org/10.1002/9781118874059
Samanta S., Utkarsha S., Gour B., Tiwari Kr.V. Fast Character Recognition Using Kohonen Neural Network // 2018 International Conference on Advanced Computation and Telecommunication (ICACAT). 2018. https://ieeexplore.ieee.org/document/8933627. doi: 10.1109/ICACAT.2018.8933627
Silva I.N., Spatti D.H., Flauzino R.A., Liboni L.H.B., dos Reis Alves S.F. Self-Organizing Kohonen Networks // Artificial Neural Networks. Springer, Cham. 2017. P.157-172. doi.org/10.1007/978-3-319-43162-8_8
Todeva E., Knoke D., Keskinova D. Multi-stage clustering with complementary structural analysis of 2-mode networks // 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM). 2019. P.771-778. doi.org/10.1145/ 3341161.3344781
Иванюк Г.Ю., Горяинов П.М., Пахомовский Я.А., Коноплёва Н.Г., Яковенчук В.Н., Базай А.В., Калашников А.О. Самоорганизация рудных комплексов. Синергетические принципы прогнозирования и поисков месторождений полезных ископаемых. М.: ГЕОКАРТ-ГЕОС, 2009. 392 с.
Кириллов И.И., Морозов И.Н., Олейник А.Г. Разработка моделей экспресс-анализа обогатительных процессов на основе нейросетей и нечеткой логики // Труды Кольского научного центра РАН. 2013. № 5 (18). С.152-159.
Кохонен Т. Самоорганизующиеся карты. Серия: Адаптивные и интеллектуальные системы. Пер. с англ. М.: Бином. Лаборатория знаний, 2008. 656 с.
Никулин И.И., Савко А.Д. Железорудные коры выветривания Белгородского района Курской магнитной аномалии / Труды научно-исследовательского института геологии Воронежского государственного университета. Воронеж: Изд-во ВГУ, 2015. Вып. 85. 102 с.
Cамоорганизующиеся карты Кохонена - математический аппарат. URL: https://basegroup.ru/community/articles/som (дата обращения: 29.09.2020)
Шаблинский Г.Н. К вопросу о глубинном строении Хибинского и Ловозерского плутонов // Труды Ленинградского общества естествоиспытателей. 1963. Т. 74. С.41-43.
Cavalcanti R.B.C., Pimentel B.A., de Almeida C.W.D., de Souza R.M.C.R. A Multivariate Fuzzy Kohonen Clustering Network // 2019 International Joint Conference on Neural Networks (IJCNN). 2019. https://ieeexplore.ieee.org/document/8852243. doi: 10.1109/IJCNN.2019.8852243
Diachenko V., Liashenko O., Ibrahim B.F., Mikhal O., Koltun Yu. Kohonen Network with Parallel Training: Operation Structure and Algorithm // International Journal of Advanced Trends in Computer Science and Engineering. 2019. V. 8, N 1. P.35-38. doi.org/10.30534/ijatcse/2019/ 0681.22019
Hu Z., Bodyanskiy Y.V., Tyshchenko O.K. Kohonen Maps and Their Ensembles for Fuzzy Clustering Tasks // Self-Learning and Adaptive Algorithms for Business Applications, Emerald Publishing Limited, 2019. P.51-77. doi.org/10.1108/978-1-83867-171-620191004
Kalashnikov A.O., Nikulin I.I., Stepenshchikov D.G. Unsupervised geochemical classification and automatic 3D mapping of the Bolshetroitskoe high-grade iron ore deposit (Belgorod Region, Russia) // Scientific Reports. 2020. V. 10, N 17861. 13 p. https://doi.org/10.1038/s41598-020-74505-y
Larose D.T., Larose C.D. Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, 2014. 336 p. doi.org/10.1002/9781118874059
Samanta S., Utkarsha S., Gour B., Tiwari Kr.V. Fast Character Recognition Using Kohonen Neural Network // 2018 International Conference on Advanced Computation and Telecommunication (ICACAT). 2018. https://ieeexplore.ieee.org/document/8933627. doi: 10.1109/ICACAT.2018.8933627
Silva I.N., Spatti D.H., Flauzino R.A., Liboni L.H.B., dos Reis Alves S.F. Self-Organizing Kohonen Networks // Artificial Neural Networks. Springer, Cham. 2017. P.157-172. doi.org/10.1007/978-3-319-43162-8_8
Todeva E., Knoke D., Keskinova D. Multi-stage clustering with complementary structural analysis of 2-mode networks // 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM). 2019. P.771-778. doi.org/10.1145/ 3341161.3344781
