Kohonen人工神经网络在新疆东天山地区斑岩型钼矿资源预测中的应用

王 中，肖克炎，丁建华

(1.安徽省地质调查院，安徽 合肥 230001;2.中国地质科学院矿产资源研究所，北京 100037)

0 引言

在有一定的地质工作基础、有多年采矿历史、具有一定资料积累、成矿系统复杂、找矿难度突出的地区开展有效的矿产预测工作，需开展新理论、新方法、新手段、新技术、新数据、新系统等应用和研究(成秋明等，2009)。其中，非线性数学方法与潜力评价技术的结合是未来成矿预测方法研究的热点，特别是对找矿勘查工作具有重要的理论和现实意义。我国西部地区矿产资源潜力巨大。通过定位预测方法的研究，同时结合定量预测(Wang et al，2012)，可以总结出一套符合西部地区成矿地质条件实际情况、可靠而有效的评价方法。

从新疆东天山地区的成矿条件来看，以该地区作为西部地区成矿预测新技术的实验研究区域，具备较好的条件。(1)东天山地区是我国固体矿产资源16个重点成矿区带之一;是我国有色金属、贵金属的重要成矿带;也是我国西部的重要成矿区带。(2)从地质特征上来看，东天山地区地层分布较齐全、沉积建造类型多样、地质构造环境复杂、岩浆活动较频繁、变质变形作用较明显，因此该地区成矿地质条件较优越。(3)从工作程度上来看，近年来，国土资源大调查工作在该区不断有新的突破，发现了一些新的矿床，如土屋延东铜矿床、坡北铜镍硫化物矿床、东戈壁钼矿床等。(4)前人对东天山地区成矿地质特征的研究积累了一定的基础，较适合于方法试验(丁建华，2007)。

基于以上几点，通过非线性统计方法对新疆东天山地区斑岩型钼矿资源的预测进行探讨。

1 研究区地质背景及矿产资源

从构造特征来看，东天山地区具有多期和复杂的地质构造运动特征，从而导致该地区构造发育。其中断裂构造系统复杂，这些断裂系统包含深大断裂和一般性断裂，并且这些断裂将分割出不同的地质构造单元，这些地质构造单元具有不同的地质建造特征(图1)。

图1 东天山大地构造略图(据丁建华等，2007修改)Fig.1 Tectonic sketch map of East Tian Shan(modified from Ding et al，2007)

从地层分布来看，古生代—第四纪各个不同地质时期形成的地层在东天山地区皆有出露，其中东天山南部及其毗邻地区的火山岩较为发育。从资源禀赋情况来看，内生金属矿产主要有铜、金、镍、铁、铅锌、银、钒、钼矿等，其中铜、金、铁、铅锌、银、钼矿是东天山的优势矿种。在空间分布上，北部(康古尔断裂两侧)以铜矿为主，自西向东有小热泉子铜矿、土屋—延东铜矿、三岔口铜矿和黄山铜镍矿等;中部(康古尔断裂与阿其克库都克断裂之间)以金矿和铁矿为主，其次是铜矿和银矿等，尤其是金矿集中分布于石英滩—康古尔塔格一带，如石英滩、康古尔、马头滩等金矿;南部(阿其克库都克断裂与卡瓦布拉克断裂之间)以铁、铅锌、钼、金、银矿为主，尤其是阿其克库都克断裂南侧分布有天湖铁矿、彩霞山铅锌矿、白山钼矿、东戈壁钼矿、吉源铜银矿、马庄山金矿、玉西银矿、沙泉子铅锌矿、维权银多金属矿等(图2)。

图2 东天山及邻区金属矿床分布图(据王京彬等，2006修改)Fig.2 Map showing distribution of metallic deposits in East Tian Shan and its adjacent areas(modified from Wang et al，2006)

2 非线性预测方法及远景区评价

2.1 Kohonen人工神经网络模型法

矿产资源区域预测方法有信息量法、BP神经网络法、特征分析法、证据权法等。但这些方法的基本前提是样本的充足性。由于以上数学模型中的样本数量要大于变量数量才能保证方程非病态，因此通常认为当一个研究区内的同类型矿床数量≥5个时，采用以上模型会产生较好的预测效果，否则会影响预测精度。而东天山已探明的斑岩型钼矿数量较少，应用以上统计方法不符合定位预测的基本要求，也无法保证精度。针对无模型或少模型预测，不少学者在进行此项研究工作和有益尝试，这些方法包括动态聚类分析、数量化理论III、数量化理论IV和ART 1神经网络4种无监督分类统计数学模型预测法(朱裕生等，1997;肖克炎等，2006)，本次研究尝试一种新的非线性无监督分类方法——Kohonen人工神经网络模型法，通过VC++平台来实现，并集成在矿产资源评价系统(MRAS)中，据此进行远景区圈定。

Kohonen人工神经网络亦称“自组织特征影射人工神经网络”(Kohonen，1984)，它模拟人类大脑神经系统的功能分区和自组织特征影射功能，是一种无监督模式识别方法，可用于矿产资源的定位预测。该网络由输入层和竞争层组成。输入层的神经元个数为N，竞争层的神经元个数为M=RC，M个神经元可以构成1个二维平面阵列或1个一维阵列(R=1)。输入层和竞争层之间实现全互连接(图3)。在网络学习过程中，当输入一个已知样品时，竞争层中的各神经元相互竞争，最后仅有1个神经元获胜，并修改那些与这个获胜神经元有关的各连接权系数，使得网络向更有利于获胜神经元的方向调整。当所有样品都具有确定的获胜神经元时，竞争结束。

图3 Kohonen人工神经网络结构Fig.3 Structure of Kohonen artificial neural networks

2.2 算法及实现

2.2.1 Kohonen权值学习总体算法

(1)输入参数X［N］［P］。

(2)构造权值矩阵：

① 由X［N］［P］求中间值Xmid［N］。

② 由Xmid［N］构造权值矩阵 W［M］［N］。

(3)构造竞争层：

①求竞争层神经元数M;

② 求邻域距离矩阵D［M］［N］;

③ 求 D［M］［N］的最大值Dmax。

(4)训练参数初始化。

(5)学习权值矩阵：

① 更新参数：学习速率(lr)，邻域距离

(nd);共分2个阶段：

(a)粗调阶段更新;

(b)细调阶段更新。

② 求输入模式X［N］［P］在竞争层的获胜神经元 WIN［P］：

(a)求X［N］［P］与 W［M］［N］的欧氏距离dm;

(b)按距离dm最短，求输入模式X［N］［P］在竞争层的获胜神经元WIN［P］。

③ 求输入模式X［N］［P］在竞争层的获胜神经元WIN［P］及其在邻域距离nd内的神经元Y［M］［P］。

④ 求输入模式X［N］［P］在竞争层的获胜神经元WIN［P］及其在邻域距离nd内的神经元的权值修正值ΔW［M］［N］。

⑤ 权值修正 W［M］［N］=W［M］［N］+ΔW［M］［N］。

⑥学习结束条件：

(a)学习循环到MAX－STEP次;

(b)学习速率lr达到用户制定的最低速率lr－MIN;

(c)学习时间time达到用户制定的最短时间time－LIM。

⑦输出：

(a)学习得到的权值矩阵W［M］［N］;

(b)邻域距离矩阵D［M］［N］。

⑧结束。

2.2.2 Kohonen预测总体算法

(1)输入需分类数据X［N］［P］，邻域距离矩阵D［M］［N］。

(2)求输入模式X［N］［P］在竞争层的获胜神

经元 WIN［P］：

(a)求X［N］［P］与 W［M］［N］的欧氏距离dm;

(b)按距离dm最短，求输入模式X［N］［P］在竞争层的获胜神经元WIN［P］。

(3)求获胜神经元WIN［P］在竞争层排列的行列位置。

(4)输出与输入数据适应的获胜神经元WIN［P］在竞争层排列的行列位置，作为分类结果。

(5)结束。

在VC++平台上，对以上算法进行了实现并集成在MRAS系统中。

2.3 综合预测模型构建

中国钼矿床赋矿围岩较为多样化，对全国120个钼矿床的地质特征统计结果表明：在地质时期发育广泛的中酸性侵入岩系均存在钼矿化的发育(罗铭玖等，1991)。同时，根据对研究区内该类型钼矿床的分析及各类信息之间的相关关系来看，矿体全部赋存在中酸性岩体中。因此，远景区圈定的一个要素是中酸性岩体。在地球化学上，该地区Mo、Cu共生、伴生现象普遍，所以提取Mo、Cu的化探元素异常。在控矿构造上，走滑断裂构造系统控制着含矿斑岩岩浆快速上升和浅成侵位的主要构造系统(侯增谦，2004)，且走滑断裂系统所引起的浅部构造变形租用形成的局部拉张和应力释放环境，是成矿岩浆流体分凝的必要条件。因此，识别走滑断裂构造系统是寻找该类型矿床的关键，该类型矿床的成矿必要条件为中酸性富碱岩浆岩条件与走滑断裂及次级断裂构造条件。

依据前述该类矿床条件与找矿标志分析，结合现有资料，以综合信息矿产资源预测理论(王世称等，2000)为依托，以矿床模型综合地质信息预测方法(叶天竺等，2007)为基本技术方法，总结出该类矿床预测评价模型(表1)圈定成矿远景区。

表1 斑岩型钼矿床成矿预测模型Table 1 Prediction model for porphyry molybdenum deposits

3 远景区圈定

3.1 Kohonen人工神经网络训练

为了对成矿信息进一步浓缩，提高预测效果，对上述评价因子进行了变量信息提取，并进行二值化，生成二值表(表2)，选择使用MRAS少模型预测Kohonen网络模块，进行预测区精细分类。设置竞争层神经元个数为12，最大训练次数为5 000次，使用3级输出神经元，得出远景区优选结果(图4)。

表2 输出二值表结构Table 2 Binary table structure

图4 Kohonen人工神经网络训练Fig.4 Test of Kohonen artificial neural networks

3.2 远景区圈定

从Kohonen网分类结果(图5)可以看出，此次远景区圈定的效果基本满意，2个钼矿床都落入A类远景区，该类远景区主要分布在区内阿奇库都克大断裂和康古尔断裂带之间，说明该区与深大断裂较近，有较好的导矿构造。分析对比成果资料与地质、化探异常资料，发现存在一定的对应关系。B类远景区主要分布在A类远景区的附近，基本是控矿断裂的次级区域，目前正在东戈壁钼矿以北的库北地区进行钻孔验证工作，说明B类远景区也具有一定的找矿潜力。

图5 Kohonen人工神经网络圈定的远景区预测图Fig.5 Predicted prospecting areas based on Kohonen artificial neural networks

4 结论

(1)用综合信息找矿模型对研究区的钼矿进行成矿预测。确定5类预测变量(地层、断裂、岩浆岩、化探、遥感)用于建立综合预测模型。由于东天山钼矿资源样本较少，传统的矿产资源预测方法如证据权法、特征分析法和BP人工神经网络法等皆不适用于这一地区的钼矿资源预测工作，因此使用少模型预测的Kohonen人工神经网络法，此种方法不依赖预测区域的样本数量，实行非监督分类。分类结果显示：2个典型矿床皆落入A类成矿有利区域，证明分类效果较为可信。预测结果表明该法具有操作简单、方便的特点，是一种有效、快捷的预测方法。

(2)Kohonen人工神经网络法在计算各连接权重的过程中可能会产生一定的随机性。为保证预测精度和可信度，在未来工作中可以继续对此方法进行改进，未来可引入Kohonen和BP人工神经网络相结合的方法来进行有益的尝试。

成秋明，赵鹏大，陈建国，等.2009.奇异性理论在个旧锡铜矿产资源预测中的应用：成矿弱信息提取和复合信息分解［J］.地球科学：中国地质大学学报，34(2)：232－242.

丁建华.2007.新疆东天山铜、镍、金矿资源潜力评价［R］.北京：中国地质科学院.

侯增谦.2004.斑岩 Cu－Mo－Au 矿床：新认识与新进展［J］.地学前缘，11(1)：131－144.

罗铭玖，张辅民，董群英，等.1991.中国钼矿床［M］.河南郑州：河南科学技术出版社.

王世称，陈永良，夏立显.2000.综合信息矿产预测理论与方法［M］.北京：科学出版社.

肖克炎，王勇毅，陈郑辉.2006.中国矿产资源评价新技术与评价新模型［M］.北京：地质出版社.

叶天竺，肖克炎，严光生.2007.矿床模型综合地质信息预测技术研究［J］.地学前缘，14(5)：11－19.

朱裕生，肖克炎.1997.成矿预测方法［M］.北京：地质出版社.

KOHONEN T.1984.Self－organization and associative memory［M］.Berlin，GER：Springer－Verlag.

WANG ZHONG，XIAO KEYAN，SONG CHUANZHONG.2012.The grade－tonnage model for China's molybdenum deposits［J］.Acta Geologica Sinica：English Edition，86(3)：680 －690.