排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
依靠岩浆构造环境的地球化学成分认识岩浆形成过程是岩石地球化学中的重要应用。当前利用岩石地球化学成分判别构造环境的工作还不够深入。用4种基于决策树的机器学习方法对来自全球新生代洋岛玄武岩(OIB)、岛弧玄武岩(IAB)及大洋中脊玄武岩(MORB)等镁铁-超镁铁岩中单斜辉石的13种主量元素构成数据集进行了岩浆构造环境判别和主要特征排序。通过对比4种基于决策树的机器学习方法,验证了树类算法对于地球化学成分识别问题的有效性,并总结出4种方法在处理岩浆构造环境判别问题时的优劣:决策树算法判别过程更易于理解,但是其准确率欠佳;boosting算法中的AdaBoost和GBDT对于岩浆构造环境的鉴别准确度较高,但构造过程复杂;bagging集成算法随机森林在权衡性能和模型可理解性时不失为一个良好的选择。此外,还通过4种算法的特征重要性排序得出Cr_2O_3,TFeO,TiO_2,FeO和Al_2O_3是进行岩浆构造环境判别的重要成分。 相似文献
2.
判别岩浆岩产出的构造环境已经成为岩石学、地球化学及其地球动力学研究的重要内容。作为岩浆岩中的一种喷出岩，玄武岩被视为判别构造环境的最佳成员。对其中单斜辉石的研究，由于其数据本身的利用程度有限而效果欠佳。理论上，不同构造环境的辉长岩也会存在一定差异。为此，利用机器学习算法研究全球新生代辉长岩的单斜辉石势在必行。本文主要针对岛弧(IAB)、洋岛(OIB)及大洋中脊(MORB)3种构造背景辉长岩的单斜辉石进行特征筛选和数据分类。从GEOROC数据库中，经数据收集与清洗，我们分别获得岛弧辉长岩单斜辉石数据385条，洋岛辉长岩单斜辉石数据756条，大洋中脊辉长岩单斜辉石数据5 500条。其中绝大部分为主量元素数据，其余为微量元素数据。在特征提取部分，我们选用卡方检验判断特征独立性，F检验估计两个随机变量之间的线性依赖程度，互信息法捕获其他种类的统计相关性。3种检验方法互相印证，得出了统计学可靠的重要分类特征。在数据分类过程中，本文对比了K-近邻、决策树和支持向量机3种主流机器学习分类算法在辉长岩数据上的表现。研究表明，对于上述3种构造背景，Al2O3、TiO2为最有区分度的辉长岩单斜辉石主量元素成分，Sr为最有区分度的微量元素成分。另外，对于3种构造背景的辉长岩单斜辉石主量元素和微量元素数据，机器学习模型分类准确率均达94%。 相似文献
1