论文部分内容阅读
数字园区是数字地球相关研究的重要领域,是向智慧园区发展的阶段,数字地球的应用涉及地球物理探测的许多领域,其中涉及到大量的科学问题,比如物探大数据处理、物探数据挖掘学习,近年来国内外对于智慧园区的研究非常火热,在智慧园区平台构架、大数据存储及分析处理、数字园区的应用智能化算法、相关算法网络化架构、GIS相结合的深度应用等关键技术研究上尤其突出。数字园区涵盖数字矿区,随着探矿发展不断深入,浅部发现和可利用开采的矿日趋减少,对更深层高温高压物探涉及的矿物质探测研究及大数据存储计算平台研究属于数字园区的研究范围,矿产资源预测与评价的发展是与矿业勘查过程密不可分的。早期的矿产预测,主要是根据地质条件进行,70年代以来,随着科学找矿的兴起以及航空、遥感(RS)、地球物理、地球化学等找矿技术的广泛、成熟地应用,矿产资源预测进入了一个全新阶段,在数字矿区的研究工具方法上采用有限元、离散元、边界元和有限差分模型等是现代数字矿区的研究工具趋势,采用有限元模型对物理探测的局部研究,采集数据由数字园区平台分析处理是大数据处理中的一个环节。面向数据的体系结构(DOA,Data Oriented Architecture),以云技术为基础,体现“面向数据和以数据为核心”的理念,本文依托DOA理论进行智慧园区的平台体系构架,采集数字园区的原始数据,针对智慧园区体系平台的架构问题,创新提出了以DOA理论为基础的架构,采用自主开发与对开源代码二次开发相结合的方式搭建一套高性能计算、海量数据存储处理的平台模型。基于DOA的智慧园区采用G/S模式通过二次开发Qgis、PostGIS、Openlayer等软件实现对智慧园区的宏观管理和数据结果分析在一张图上进行呈现,以G/S(G/S,GeneralBrower/Distribute Spatial Information Server)作为展示模式。面对数字园区向智慧园区发展中遇到的科学问题,目前对大数据及各种结构/非结构数据的ML(Machine Learning,ML)方法中,针对原有DeepLearning、SVM、RF等对地理位置不敏感的问题,引入GIS地理位置参量的概念,创新提出基于地理位置的学习(LBML)算法,从数据关联性提取位置相关数据学习预测等方面实验,数值计算结果表明了算法的有效性。针对大量聚集、分类学习、预测算法如何有机结合的问题,提出了多层机器学习网(MLMLN)算法模型,利用国际通用数据集MNIST进行实验,该模型在解决现实复杂的智能需求中,架构一种自组网的多层机器学习网络,把数据的处理形成网络化、自动化,从数据输入到数据输出实现优化路线选择,表明该算法在自动组织多层机器学习网的算法网上有较好的表现。整体平台可应用于数字园区以及基于位置的地球物理探测领域大数据相关需求,面向数据的智慧园区平台在对数字园区各类异构数据以及数字矿区中物探的各类实验数据进行采集计算及分类实验,结果表明平台有较好的效果。