2024年4月23日发(作者：红鸿晖)
第３１卷，第６期
２ ０ １ １年６月
光谱学与光谱分析 Ｖｏ１．３１，Ｎｏ．６，ｐｐ１６７８—１６８２
Ｊｕｎｅ，２０１１ Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ
基于实例克隆的ＩＣＳＭＯｒｅｇ算法及在铀矿床蚀变矿物
水云母中的物谱建模研究
吴 佳，蔡之华 ，高哲超，余
中国地质大学计算机学院，湖北武汉
超
４３００７４
摘要水云母是花岗岩型铀矿床蚀变带中的一种典型蚀变矿物，它也是铀矿找矿的一个重要标志。水云
母含量的大小能在一定程度上体现铀矿床水云母化的强弱。传统建模方法对水云母含量的预测效果较差。
文章将回归支持向量机ＳＭＯｒｅｇ应用到水云母物谱关联建模中，并在验证其有效性的基础上提出一种基于
实例克隆的ＩＣＳＭＯｒｅｇ方法，以构建水云母含量与光谱特征参数的关联模型。该方法首先选择与待测样本亲
和度较强的部分样本，运用实例克隆的方法对其进行克隆学习，再将得到的新样本数据输入ＳＭＯｒｅｇ，建立
水云母的物谱关联模型。最后将文章提出的算法与ＳＭＯｒｅｇ算法、人工神经网络、模型树及常用的高光谱物
谱关联模型巾的一元线性回归、多元线性回归的预测结果相比较，表明提出的算法预测结果精度高于现有
算法，且通过克隆与待测样本亲和度强的样本降低了无用信息在预测过程中所造成的负面影响。
关键词实例克隆；ＳＭＯｒｅｇ算法；光谱吸收特征参数；铀矿床；水云母；预测
文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００—０５９３（２０１１）０６—１６７８—０５ 中图分类号：ＴＰ３０１．６
生物模型来解决很多实际工程问题，尤其足人工神经免疫算
引 言
水云母是主要的铀矿床蚀变矿物之一，在铀矿勘测的过
程中具有很重要的作用ｎ］。目前国内外还缺乏对花岗岩型铀
矿床水云母化蚀变矿物光谱特征的系统研究。本文首先对蚀
变矿物水云母的含量 光谱吸收特征参数（光谱吸收特征参
法的诞生ｌ６］。本文在研究生物免疫系统中克隆机理的基础上
提出一种基于实例克隆的ＩＣＳＭＯｒｅｇ算法来提高支持向量机
ＳＭＯｒｅｇ的预测精度，该算法模拟生物免疫系统的克隆机理，
扩大了优秀个体（亲和度较高的实例）的规模，从而降低了无
用信息在预测过程中造成的负面影响，提高了预测的精度。
数是反射光谱线的吸收峰所对应的各参数）之间的变化关系
进行相关分析，建立蚀变矿物含量与光谱吸收峰的反射率、
深度、面积和宽度之间的物谱关联模型，从而可以根据光谱
数据预测矿物水云母的含量。据前人研究，在高光谱遥感中
广泛使用的物谱关联建模技术主要有统计回归分析、散点图
等 。统计凹归分析模型主要有一元线性回归、多元线性回
归等。这些同归模型都具有一定的局限性，而且所建立的模
型结构较为简单， 精度比较低。
在数据挖掘技术中，ｍ现ｒ一些新型的复杂非线性系统
建模技术，如支持向量机 、人工神经网络［４］、模型树 ］等。
１水云母光谱特征分析
１．１水云母诊断性光谱特征
蚀变花岗岩中的水云母是富钾离子的热液与固相斜长石
作用的产物，鉴于其重要的指矿价值，何建国等ｌ７Ｊ通过提取
水云母矿物的诊断性光谱特征，并对其主要的吸收峰成因进
行了分析。本文获取。ｊ－２０１铀矿床的６个水云母的粉末样
品，其光谱曲线如图１所示。由图１可以看出２ １１７～２ １２１
ｎｍ位置的吸收峰规模小，吸收弱，对高光谱遥感而言，目前
很难应用；２ ３４９￣２ ３５２ ｎｍ位置的吸收峰与绿泥石的诊断
我们在研究传统方法的基础上，将支持向量机ＳＭＯｒｅｇ的方
法应用于水云母物谱关联建模，实验结果表明了该方法的可
行性 有效性。近年来，人们又逐渐开始将注意力转向模拟
收稿日期：２０１０—０７—０４，修订日期：２ＯｌＯ １０—０５
性吸收峰ｌ８］基本一致，所以不具有代表性；２ ２０６￣２ ２１０ ｎＩｎ
位置的吸收峰深、窄，呈尖锐的“Ｖ”型，是花岗岩型铀矿床
水云母化最为显著的诊断性吸收峰。
基金项目：国家（８６３计划）项目（２００９ＡＡ１２Ｚ１１７）和湖北省自然科学基金项目（２００９ＣＤＢＩ ３９）资助
作者简介：吴佳，１９８７年生，中国地质大学（武汉）计算机学院在读博士研究生
ｅ－ｍａｉｌ：ｚｈｃａｉ＠ｃｕｇ．ｅｄｕ．ｃｎ
ｅ－ｍａｉｌ：ｗｕｊｉａｗｂ＠１２６．ｃｏｍ
＊通讯联系人
第６期 光谱学与光谱分析 １６７９
舳加∞∞∞如加
４００ ８０ｏ ｌ ２０ｏ ｌ ６００ ２ ０００ ２４００
ｉＦｇ．１ Ｓｐｅｃｔｒａｌ ｃｕｒｖｅ ｏｆ ｄａｍｏｕｒｉｔｅ
１．２水云母诊断性光谱特征参数提取原理
光谱吸收峰是矿物识别的主要依据，而矿物的单个诊断
性吸收峰特征又可用光谱吸收特征参数来作完整的表达。光
谱吸收特征参数即反射光谱曲线的吸收峰所对应的各参数，
包括波段位置（Ｐ）、宽度（ｗ）、深度（Ｈ）、吸收面积（Ａ），如
图２所示。
波段位置（Ｐ）：在经过包络线消除算法处理后形成的归
一
化光谱曲线上，吸收峰的最小值对应的波长即为吸收谱带
的位置（Ｐ）。
宽度（ｗ）：吸收峰的宽度可定义为 ｚ— ，其中 是光
谱吸收谷的起始点， ｚ是光谱吸收谷的终点。
７０
６Ｏ
ａ
蛊
口
５０
ｌ
ＪＤ（ ０） ３，２
Ｗａｖｅｌｅｎｇｔｈ／ｎｍ
Ｆｉｇ．２ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｍｉｎｅｒａｌ ｓｐｅｃｔｒａｌ
ａｂｓｏｒｐｔｉｏｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ
Ｔａｂｌｅ １ Ｒｅｓｕｌｅｓ ｏｆ ｔｈｅ ａｎａｌｙｓｉｓ ｆｏｒ
ｄａｍｏｕｒｉｔｅ ｐｏｗｄｅｒ ｓｐｅｃｉｍｅｎ
深度（Ｈ）：吸收峰的吸收深度即为归一化值为１的曲线
与吸收峰的最小值之间的垂直距离。
吸收面积（Ａ）：吸收面积即为归一化值为１的曲线和吸
收峰之问的面积。
本文采用包络线分析技术进行水云母诊断性光谱吸收特
征参数的提取＿ｇ 。
１．３水云母诊断性光谱特征参数与含量的关系
２０１矿床的６个水云母粉末样品中各成分的含量见表１，
结合图Ｉ对６组样本的光谱曲线在２ ２０６￣２ ２１０ ｎＩｎ位置的
诊断性吸收峰规模与水云母发育程度的对比观察发现，随着
水云母化的增强，水云母的主要诊断性吸收峰越来越显著，
表现为特征吸收峰变深，吸收面积变大。
２基于实例克隆的ＩＣＳＭＯｒｅｇ算法
２．１实例克隆原理
克隆选择理论是基于抗原刺激而产生免疫应答这一生物
免疫系统的基本特性提出的［ ］，用来解释免疫系统与抗原
反应的过程。在生物体受到细菌和病毒的入侵后，Ｂ细胞就
开始克隆和消灭这些入侵者，而能够识别抗原的细胞则根据
其识别水平的高低通过无性繁殖实现增殖，与抗原的亲和度
高的细胞有能力产生更多的后代，而这些细胞也会经历略小
的变异。
实例克隆的思想是模拟生物免疫系统的克隆机理。实例
克隆对应着一个亲和度变换的过程，即由抗原亲和度较高的
个体在克隆选择机制的作用下，经历增殖复制过程后，取代
亲和度较低的个体。
２．２ ＳＭＯｒｅｇ算法简介
Ｐｌａｔｔ［１ｌ＿提出的序列最小优化（ｓｅｑｕｅｎｔｉａｌ ｍｉｎｉｍａｌ ｏｐｔｉｍｉ—
ｚａｔｉｏｎ，ＳＭＯ）方法以其训练速度快、扩展能力强等优点得到
了最为广泛的应用。ＳＭＯ算法在使用ＫＫＴ条件来选择需要
优化的样本时只使用了单一的阈值．８，当样本都出现在边界
上时，该阈值就无法确定。针对这一问题，Ｓｈｅｖａｄｅｌ１纠提出了
一
种改进的ＳＭＯ算法ＳＭＯｒｅｇ，该方法在使用ＫＫＴ条件判
断优化时使用了两个阈值参数ｂ 和 ，并在论文中给出了
参数的详细定义。
２．３ ＩＣＳＭＯｒｅｇ算法
本文提出的基于实例克隆的ＩＣＳＭＯｒｅｇ算法通过２个步
骤来构建水云母的物谱关联模型，进而对水云母的含量进行
预测：首先是通过计算待测样本（抗原）与训练样本集（初始
抗体种群）之间的亲和度，选择克隆样本进行克隆并更新抗
体种群；然后利用新的实例集合来构建ＳＭＯｒｅｇ预测模型。
步骤ｌ：初始抗体种群的产生。首先将样本集合中水云
母的各个特征参数作为其特征值，利用训练样本来构建初始
抗体种群。待测样本为抗原ｇ ，抗原集合Ｇ一｛ｇ ）（ —ｌ，２，
…
，
Ｎ），其中Ｎ为抗原实例集合的抗原总数。抗体ｂ 为训练
样本，抗体集合Ｂ一｛ｂ ）（ 一１，２，…，Ｌ），其中Ｌ为抗体实
例集合的抗体总数。
步骤２：亲和度计算。采用样本个体至抗体的欧式距离
来计算亲和度的值。距离越小，表明该抗体实例与抗原实例
之问的亲和度就越大。假设ｇ为抗原实例，ｂ为抗体实例，
则抗原和抗体之间的亲和度可以表示为
——一
一一
／ （ 一ｂ ） 一１，２，…，Ｎ （１）
１
式中，ｍ表示实例的属性个数，Ｎ表示抗原实例集合的大
１６８０
，Ｊ、。
光谱学与光谱分析 第３ｌ卷
步骤３：抗体选择。从抗体实例集合也就是训练样本集
合中选出与抗原亲和力最好的 个抗体，组成新的抗体集合
Ｂ 。
步骤４：实例克隆。对选出来的ｎ个抗体进行克隆操作，
克隆过程中采用非等比例进行克隆，克隆的数量与其亲和度
成正比。克隆的规模为ｚ，抗体集合Ｂ 中第ｉ个抗体被克隆
数量为
Ｎ Ｚ×ｌ广 ］ 厂Ｊ．Ｊ （２）
步骤５：更新抗体种群。将克隆后的抗体种群取代原始
的抗体实例种群。
步骤６：在新的抗体实例集合上构建局部ＳＭＯｒｅｇ预测
模型，并返回预测结果。
２．４ ＩＣＳＭＯｒｅｇ算法参数分析
在用ＩＣＳＭＯｒｅｇ算法进行建模的过程中，用户需设定以
下六个极其重要的参数：
（１）ｎ：在初始抗体实例集合中被选出来用于克隆的抗
体实例总数。
（２）Ｎ：从初始抗体种群Ｂ中选出的＂个最优抗体组成
的实例集合Ｂ 的克隆规模。
； Ｍ如∞一 。 ｎ 蛆 ；一。 。一
（３）Ｃ：惩罚系数，对错误分类的惩罚力度。
１一暑一 收溅面 ～、量旱一～ ｕ鼹一 髂ｎ∞一 鼹 ； 一Ｍ一。＂加一。 ｕｎ鸲一
Ｍ∞一 ｎ Ｍ＂鼹一 ： ｕ 一蚰¨一 ∞ ＂弘一
（４）ｅ：ｅ不敏损失函数的不敏损失度。
（５）ｋｅｒｎｅｌ：核函数，实现从低维空间到高维空间的映
射。
（６）Ａ：核参数，影响核函数的性能。
本文将对参数ｎ和Ｎ对ＩＣＳＭＯｒｅｇ性能的影响进行详
细的分析。
３水云母含量预测实例研究
３．１实验数据
实验数据是通过对２６组人工混合粉样（按一定的种类和
相对重量百分比的蚀变单矿物经由人工充分混合而成）的光
谱特征参数进行分析统计而得。混合所用的单矿物有石英、
绿泥石和水云母，均取自铀矿蚀变带，样本均采用室内矿物
分选得到，其详细的统计数据如表２所示。由于原始样本中
各指标的数量级差别很大，为消除指标量纲的影响，对输入
样本需要进行归一化处理。
３．２ ＩＣＳＭＯｒｅｇ建模的参数设定
建模的主要运行参数设定如表３所示。
３．３实验方法及结果分析
本文采用数据挖掘平台ｗｅｋａ进行建模。Ｗｅｋａ数据挖
掘平台ｌ１ 是由新西兰怀卡托（Ｗａｉｋａｔｏ）大学Ｗｉｔｔｅｎ的机器学
习小组用ｊａｖａ开发出来的一个通用平台。实验采用１Ｏ次运
行十字交叉验证方法（１０ ｒｕｎｓ ｏｆ １０一ｆｏｌｄ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ），即
用十分之九的数据进行训练，十分之一的数据进行测试，重
复此过程１Ｏ次。图３（ａ）一（ｆ）分别给出本文中提及的六种模
型预测值与实测值之间的拟合情况。
∞一＂ 毖 盯加ｕ一 ｎ一捣一 ｎ一 ∞Ｊ一 Ｍ一捣 印一 鼹一∞码一。
Ｔａｂｌｅ ３ Ｐａｒａｍｅｔｅｒ ｓｅｔｔｉｎｇｓ ｏｆ ＩＣＳＭＯｒｅｇ ａｌｇｏｒｉｔｈｍ
运行参数 参数取值
克隆选择的样本数
５
克隆规模Ｎ
１．０
舍入误差ｅｐｓ
１．０Ｅ——１２
误差容忍值ｅ
０．００１ ０
数据转换类型ｆｉｌｔｅｒＴｙｐｅ
Ｎｏｒｍａｌｉｚｅ（标准化）
核函数ｋｅｒｎｅｌ
ＰｏｌｙＫｅｒｎｅｌ（径向基核）
核参数
１．０
由图３可以看出：与传统的高光谱物谱关联模型一元线
性回归ＬＲ、多元线性回归ＭＬＲ和神经网络ＢＰ、模型树
ＭＳＰ相比，基于ＳＭＯｒｅｇ的水云母预测模型在２６个实验样
本上能较精确地预测实际的水云母含量。这说明了支持向量
机运用于蚀变矿物水云母含量的预测是可行也是有效的。在
ＳＭＯｒｅｇ的基础上，本文提出的基于实例克隆的ＩＣＳＭＯｒｅｇ
算法的预测值比ＳＭＯｒｅｇ方法更接近实际测量值。
为了更加直观地说明ＩＣＳＭＯｒｅｇ算法的优越性，我们以
均值绝对误差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ）和相对绝对误差（ｒｅｌａｔｉｖｅ
ａｂｓｏｌｕｔｅ ｅｒｒｏｒ）作为评价标准。从六种算法的误差分析（见表
４），可以看出：
（１）基于ＳＭＯｒｅｇ的水云母预测模型的均值绝对误差和
相对绝对误差分别为２．３１５ ８ 和４２．０１６ ５ ，模型准确度
一Ｍ阻 ，
第６期 光谱学与光谱分析 ｌ６８ｌ
优于传统的物谱关联模型ＬＲ（２．４８９
口３口０ｕ再 ＩⅧ８ 雹
９％，４５．１７５ ２％）、
Ｉａｌ
Ⅱｏ口 ０１ⅢｏＪｐ＾１
（２）本文提出的基于实例克隆的［
＿Ｉ 口ｏ０ ８１ｕＩ２ ＾】＿
ＣＳＭＯｒｅｇ模型的均值
Ｉ
ＭＬＲ（２．４８９ ９ ，４５．１７５ ２ ）和
绝对误差为１．９４１ ，相对绝对误差为３５．２１５ ，明显小
加 ｍ ０
６
如 加
ＢＰ（２．４２３ ５
ｍ ０
，４３．９６９
如
加 ：２ ｍ ５ ０
７％）、Ｍ５Ｐ（２．３７５ ５ ，４３．０９９ ６ ）。
于ＳＭＯｒｅｇ算法。
２ ４ ６ ８ １０ １２ １４ １６ １８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌ ｎｕｍｂｅｒ
２ ４ ６ ８ １０ １２ １４ １６ １８ ２Ｏ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌ ｎｕｍｂｅｒ
ｇ昌０ｕ 百２口＾１＿ ，ｏ，苗ｏ ｑ００ 召０Ｊ口茸＾ 口崔０ｕ Ｂ。ＩⅢ暑＾Ｈ
如 加：２ ｍ ０
加：２ ｍ ０
”∞ 加 ｍ ５ ０
１０ ｌ２ １４ ｌ６ ｌ８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌｎｕｍｂｅｒ
ｌＯ １２ ｌ４ １６ １８ ２Ｏ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌ ｎｕｍｂｅｒ
２ ４ ６ ８ １０ １２ １４ １６ ｌ８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌｎｕｍｂｅｒ
２ ４ ６ ８ １Ｏ ｌ２ １４ ｌ６ ｌ８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌｎｕｍｂｅｒ
Ｆｉｇ．３ Ｆｉｔｔｉｎｇ ｓｉｔｕａｔｉｏｎ ｏｆ ｔｈｅ ｃａｌｃｕｌａｔｅｄ ｖａｌｕｅ ｂａｓｅｄ ｏｎ ＬＲ（ａ），ＭＬＲ（ｂ），Ｍ５Ｐ（ｃ），ＢＰ（ｄ），ＳＭＯｒｅｇ（ｅ）
ａｎｄ ｔｈｅ ｎｅｗ ｍｏｄｅｌ ＩＣＳＭＯｒｅｇ（ｆ）ａｎｄ ａｃｔｕａｌ ｖａｌｕｅ
表４的结论与图３是一致的，即基于实例克隆的
ＩＣＳＭＯｒｅｇ￣型所得到的水云母含量预测结果更接近于实测
４结论
值，且优于ＳＭＯｒｅｇ，ＢＰ，Ｍ５Ｐ以及传统的物谱关联模型ＬＲ
和ＭＬＲ所得到的结果。说明用基于实例克隆的ＩＣＳＭＯｒｅｇ
方法来构建水云母含量与光谱特征参数的关联模型是行之有
效的。
Ｔａｂｌｅ ４ Ｓｔａｔｉｓｔｉｃａｌ ｅｒｒｏｒ ａｎａｌｙｓｉｓ
本文首先对铀矿床蚀变矿物水云母含量与光谱吸收特征
参数进行相关分析，建立了蚀变矿物含量与光谱吸收峰的特
征参数反射率、深度、宽度和吸收面积之间的物谱关联模
型，并提出将支持向量机ＳＭＯｒｅｇ用于蚀变矿物水云母的物
谱关联建模中，实验结果证明了其可行性与有效性。
在此基础上提出了一种基于实例克隆的ＳＭＯｒｅｇ新模型
ＩＣＳＭＯｒｅｇ，并将其用于铀矿床典型蚀变矿物水云母含量的
预测。用十字交叉验证方法进行检验，样品的均值绝对误差
为１．９４１ ，相对绝对误差为３５。２１５ ６％。实验证明本文提
出的基于实例克隆的ＩＣＳＭＯｒｅｇ算法的预测值比ＳＭＯｒｅｇ方
法更接近实际测量值，为铀矿床典型蚀变矿物含量预测提供
了一种新的有效预测模型。
１６８２ 光谱学与光谱分析 第３１卷
Ｒｅｆｅｒｅｎｃｅｓ
［１］ＭＩＮ Ｍａｏ－ｚｈｏｎｇ，ｗＵ Ｊｕｎ—ｑｉ，Ｑ１ Ｃｈｅｎｇ－ｙｕｎ，ｅｔ ａｌ（阂茂中，吴俊奇，戚成云，等）．Ｕｒａｎｉｕｍ Ｇｅｏｌｏｇｙ（铀矿地质），１９９２，８（１）：２５．
［２］ＣＨＥＮ Ｗｅｎ－ｘｉａ，ＣＨＥＮ Ａｎ－ｓｈｅｎｇ，ＣＡＩ Ｚｈｉ—ｈｕａ（陈文霞，陈安升，蔡之华）．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ（计算机工程与应
用），２００８，４４（２８）：２３０．
［３］ＺＨＡＯ Ｈｏｎｇ ｂｏ（赵洪波）．Ｒｏｃｋ ａｎｄ Ｓｏｉｌ Ｍｅｃｈａｎｉｃｓ（岩土力学），２００５，２６（２）：２３５．
［４］ＧＥ Ｈｏｎｇ ｗｅｉ，ＬＩＡＮＧ Ｙａｎ—ｃｈｕｎ，ＨＵ Ｗｅｉ，ｅｔ ａｌ（葛宏伟，梁艳春，刘
与工程学报），２００７，２８（８）：１６５０．
［５］ＷＡＮＧ Ｙｕａｎ—ｙｕａｎ，ＣＨＥＮ Ｙｕｎ－ｈａｏ，Ｉ Ｉ Ｊｉｎｇ（王圆圆，陈云浩，李
大学学报），２００６，３５（６）：８１８．
玮，等）．Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ（岩石力学
京）．Ｊｏｕｒｎａｌ ｏｆＣｈｉｎａ ＵｎｉｖｅｒｓｉｔｙｏｆＭｉｎｉｎｇ＆Ｔｅｃｈｎｏｌｏｇｙ（中国矿业
［６］Ｉ Ｉ Ｔａｏ（李
２００４．
涛）．Ｃｏｍｐｕｔｅｒ Ｉｍｍｕｎｏｌｏｇｙ（计算机免疫学）．Ｂｅｉｊｉｎｇ：Ｐｕｂｌｉｓｈｉｎｇ Ｈｏｕｓｅ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｄｕｓｔｒｙ（Ｊｇ京：电子工业出版社），
［７］ＨＥ Ｊｉａｎ ｇｕｏ，ＭＡ（）Ｙｕ—ｘｉａｎ，ＬＩ Ｊｉａｎ－ｚｈｏｎｇ，ｅｔ ａｌ（何建国，毛玉仙，李建中，等）．Ｕｒａｎｉｕｍ Ｇｅｏｌｏｇｙ（铀矿地质），２００８，２４（４）：２５０．
［８］ＷＥＮ Ｚｈｉ－ｊｉａｎ，ＤＵ Ｌｅ－ｔｉａｎ，ＩｄＵ Ｚｈｅｎｇ－ｙｉ（温志坚，杜乐天，刘正义）．Ｍｉｎｅｒａｌ Ｄｅｐｏｓｉｔｓ（矿床地质），２０００，１９（３）：２５７．
［９］ＺＨＡＮＧ ｌＡａｎｇ－ｐｅｉ，ＺＨＡＮＧ Ｌｉ—ｆｕ（张良培，张立福）．Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ（高光谱遥感）．Ｗｕｈａｎ：Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ（武
汉大学出版社），２００５．
［１Ｏ］ＺＨＯＮＧ Ｙａｎ－ｆｅｉ，ＺＨＡＮＧ Ｌｉａｎｇ－ｐｅｉ，Ｉ Ｉ Ｐｉｎｇ－ｘｉａｎｇ（钟燕飞，张良培，李平湘）．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ（计算机学报），２００７，３０
（１２）：２１８Ｌ
［１１２ Ｐｌａｔｔ Ｊ ｃ．Ｉｎ：Ｓｃｈｏｌｋｏｐｆ Ｂ，Ｂｕｒｇｅｓ Ｃ，Ｓｍｏｌａ Ａ，ｅｄｓ．Ａｄｖａｎｃｅｓ ｉｎ Ｋｅｒｎｅｌ Ｍｅｔｈｏｄｓ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ．Ｃａｍｂｒｉｄｇｅ：ＭＩＴ Ｐｒｅｓｓ，
１ ９９８．
［１２］Ｓｈｅｖａｄｅ Ｓ Ｋ，Ｋｅｅｒｔｈｉ Ｓ Ｓ，Ｂｈａｔｔａｃｈａｒｙｙａ Ｃ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，２０００，１１（５）：１１８８．
［１３］Ｗｉｔｔｅｎ Ｉ Ｈ，Ｅｉｂｅ Ｆ Ｄａｔａ Ｍｉｎｉｎｇ．．Ｐｒａｃｔｉｃａｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｏｏｌｓ ａｎｄ Ｔｅｃｈｎｉｑｕｅｓ，Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ．Ｓａｎ Ｆｒａｎｃｉｓｃｏ：Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ
Ｐｒｅｓｓ．２００５．
Ａ Ｎｏｖｅｌ ＳＭＯｒｅｇ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｉｎｓｔａｎｃｅ Ｃｌｏｎｅｄ ａｎｄ Ｉｔｓ Ｒｅｓｅａｒｃｈ ｏｎ
Ｓｐｅｃｔｒａｌ Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｈｙｄｒｏｍｉｃａ ｉｎ Ｕｒａｎｉｕｍ Ｄｅｐｏｓｉｔ
Ｗｕ Ｊｉａ，ＣＡＩ Ｚｈｉ—ｈｕａ ，ＧＡＯ Ｚｈｅ－ｃｈａｏ，ＹＵ Ｃｈａｏ
Ｓｃｈｏｏ１ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｇｅｏｓｃｉｅｎｃｅｓ，Ｗｕｈａｎ ４３００７４，Ｃｈｉｎａ
Ａｂｓｔｒａｃｔ Ｈｙｄｒｏｍｉｃａ ｉｓ ａ ｔｙｐｉｃａｌ ａｌｔｅｒａｔｉｏｎ ｍｉｎｅｒａｌ ｉｎ ｇｒａｎｉｔｅ－ｔｙｐｅ ｕｒａｎｉｕｍ ｄｅｐｏｓｉｔ，ａｎｄ ａｌｓｏ ａｎ ｉｍｐｏｒｔａｎｔ ｉｎｄｉｃａｔｉｏｎ ｏｆ ｕｒａｎｉｕｍ．
Ｔｈｅ ａｍｏｕｎｔ ｏｆ ｈｙｄｒｏｍｉｅａ ｔｏ ｓｏｍｅ ｅｘｔｅｎｔ ｒｅｆｌｅｃｔｓ ｔｈｅ ｓｔｒｅｎｇｔｈ ｏｆ ｈｙｄｒｏｍｉｃａｓｉｚａｔｉｏｎ ｉｎ ｕｒａｎｉｕｍ ｄｅｐｏｓｉｔ．Ｂｅｃａｕｓｅ ｏｆ ｔｈｅ ｂａｄ
ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｍｏｄｅｌｌｉｎｇ ｍｅｔｈｏｄｓ ｉｎ ｐｒｅｄｉｃｔｉｏｎ，ｉｎ ｔｈｅ ｐｒｅｓｅｎｔ ｐａｐｅｒ，ｔｈｅ ａｕｔｈｏｒｓ’ａｄｏｐｔ ＳＭＯｒｅｇ ｉｎ ｔｈｅ ｓｐｅｃｔｒａｌ
ｍｏｄｅｌｌｉｎｇ ｆｏｒ ｈｙｄｒｏｍｉｅａ，ａｎｄ ｖａｌｉｄａｔｅ ｉｔｓ ｅｆｆｅｃｔｉｖｅｎｅｓｓ．Ｔｈｅ ａｕｔｈｏｒｓ’ａｌｓｏ ｐｒｏｐｏｓｅ ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｃａｌｌｅｄ ＩＣＳＭＯｒｅｇ．Ｉｎ ｔｈｉｓ
ｍｅｔｈｏｄ ｔｈｅ ａｕｔｈｏｒｓ’ｅｍｐｌｏｙ ｉｎｓｔａｎｃｅ ｃｌｏｎｅｄ ｍｅｔｈｏｄ ｔｏ ｌｅａｒｎ ｔｈｅ ｓａｍｐｌｅｓ ｓｅｌｅｃｔｅｄ ｂｙ ｈａｖｉｎｇ ａ ｓｔｒｏｎｇ ａｆｆｉｎｉｔｙ ｗｉｔｈ ｔｈｅ ｔｅｓｔ ｓｅｔｓ，
ａｎｄ ｔｈｅｎ ｇｅｔ ｔｈｅ ｎｅｗ ｓａｍｐｌｅｓ ｉｎｔｏ ＳＭＯｒｅｇ ｔｏ ｂｕｉｌｄ ｔｈｅ ｓｐｅｃｔｒａｌ ｍｏｄｅ１．Ｆｉｎａｌｌｙ，ｗｅ ｅｘｐｅｒｉｍｅｎｔａｌｌｙ ｃｏｍｐａｒｅ ＩＣＳＭＯｒｅｇ ｗｉｔｈ
ＳＭＯｒｅｇ，ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ｍｏｄｅｌ ｔｒｅｅ ａｎｄ ｔｈｅ ｃｏｍｍｏｎ ｍｏｄｅｌｌｉｎｇ ｍｅｔｈｏｄｓ ｌｉｋｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ，ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｒｅｇｒｅｓ—
ｓｉｏｎ．Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｎｅｗ ｍｅｔｈｏｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｐｒｅｄｉｃｔｉｏｎ，ａｎｄ ａｌｓｏ ｒｅｄｕｃｅｓ ｔｈｅ ｎｅｇａｔｉｖｅ ｉｍｐａｃｔ ｏｆ ｎｏｉｓｅ．
Ｋｅｙｗｏｒｄｓ Ｉｎｓｔａｎｃｅ ｃｌｏｎｅｄ；ＳＭＯｒｅｇ；Ｓｐｅｃｔｒａｌ ａｂｓｏｒｐｔｉｏｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ；Ｕｒａｎｉｕｍ ｄｅｐｏｓｉｔ；Ｈｙｄｒｏｍｉｃａ；Ｐｒｅｄｉｃｔｉｏｎ
（Ｒｅｃｅｉｖｅｄ Ｊｕ１．４，２０１０；ａｃｃｅｐｔｅｄ Ｏｃｔ．５，２０１０）
＊Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ
2024年4月23日发(作者：红鸿晖)
第３１卷，第６期
２ ０ １ １年６月
光谱学与光谱分析 Ｖｏ１．３１，Ｎｏ．６，ｐｐ１６７８—１６８２
Ｊｕｎｅ，２０１１ Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ
基于实例克隆的ＩＣＳＭＯｒｅｇ算法及在铀矿床蚀变矿物
水云母中的物谱建模研究
吴 佳，蔡之华 ，高哲超，余
中国地质大学计算机学院，湖北武汉
超
４３００７４
摘要水云母是花岗岩型铀矿床蚀变带中的一种典型蚀变矿物，它也是铀矿找矿的一个重要标志。水云
母含量的大小能在一定程度上体现铀矿床水云母化的强弱。传统建模方法对水云母含量的预测效果较差。
文章将回归支持向量机ＳＭＯｒｅｇ应用到水云母物谱关联建模中，并在验证其有效性的基础上提出一种基于
实例克隆的ＩＣＳＭＯｒｅｇ方法，以构建水云母含量与光谱特征参数的关联模型。该方法首先选择与待测样本亲
和度较强的部分样本，运用实例克隆的方法对其进行克隆学习，再将得到的新样本数据输入ＳＭＯｒｅｇ，建立
水云母的物谱关联模型。最后将文章提出的算法与ＳＭＯｒｅｇ算法、人工神经网络、模型树及常用的高光谱物
谱关联模型巾的一元线性回归、多元线性回归的预测结果相比较，表明提出的算法预测结果精度高于现有
算法，且通过克隆与待测样本亲和度强的样本降低了无用信息在预测过程中所造成的负面影响。
关键词实例克隆；ＳＭＯｒｅｇ算法；光谱吸收特征参数；铀矿床；水云母；预测
文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００—０５９３（２０１１）０６—１６７８—０５ 中图分类号：ＴＰ３０１．６
生物模型来解决很多实际工程问题，尤其足人工神经免疫算
引 言
水云母是主要的铀矿床蚀变矿物之一，在铀矿勘测的过
程中具有很重要的作用ｎ］。目前国内外还缺乏对花岗岩型铀
矿床水云母化蚀变矿物光谱特征的系统研究。本文首先对蚀
变矿物水云母的含量 光谱吸收特征参数（光谱吸收特征参
法的诞生ｌ６］。本文在研究生物免疫系统中克隆机理的基础上
提出一种基于实例克隆的ＩＣＳＭＯｒｅｇ算法来提高支持向量机
ＳＭＯｒｅｇ的预测精度，该算法模拟生物免疫系统的克隆机理，
扩大了优秀个体（亲和度较高的实例）的规模，从而降低了无
用信息在预测过程中造成的负面影响，提高了预测的精度。
数是反射光谱线的吸收峰所对应的各参数）之间的变化关系
进行相关分析，建立蚀变矿物含量与光谱吸收峰的反射率、
深度、面积和宽度之间的物谱关联模型，从而可以根据光谱
数据预测矿物水云母的含量。据前人研究，在高光谱遥感中
广泛使用的物谱关联建模技术主要有统计回归分析、散点图
等 。统计凹归分析模型主要有一元线性回归、多元线性回
归等。这些同归模型都具有一定的局限性，而且所建立的模
型结构较为简单， 精度比较低。
在数据挖掘技术中，ｍ现ｒ一些新型的复杂非线性系统
建模技术，如支持向量机 、人工神经网络［４］、模型树 ］等。
１水云母光谱特征分析
１．１水云母诊断性光谱特征
蚀变花岗岩中的水云母是富钾离子的热液与固相斜长石
作用的产物，鉴于其重要的指矿价值，何建国等ｌ７Ｊ通过提取
水云母矿物的诊断性光谱特征，并对其主要的吸收峰成因进
行了分析。本文获取。ｊ－２０１铀矿床的６个水云母的粉末样
品，其光谱曲线如图１所示。由图１可以看出２ １１７～２ １２１
ｎｍ位置的吸收峰规模小，吸收弱，对高光谱遥感而言，目前
很难应用；２ ３４９￣２ ３５２ ｎｍ位置的吸收峰与绿泥石的诊断
我们在研究传统方法的基础上，将支持向量机ＳＭＯｒｅｇ的方
法应用于水云母物谱关联建模，实验结果表明了该方法的可
行性 有效性。近年来，人们又逐渐开始将注意力转向模拟
收稿日期：２０１０—０７—０４，修订日期：２ＯｌＯ １０—０５
性吸收峰ｌ８］基本一致，所以不具有代表性；２ ２０６￣２ ２１０ ｎＩｎ
位置的吸收峰深、窄，呈尖锐的“Ｖ”型，是花岗岩型铀矿床
水云母化最为显著的诊断性吸收峰。
基金项目：国家（８６３计划）项目（２００９ＡＡ１２Ｚ１１７）和湖北省自然科学基金项目（２００９ＣＤＢＩ ３９）资助
作者简介：吴佳，１９８７年生，中国地质大学（武汉）计算机学院在读博士研究生
ｅ－ｍａｉｌ：ｚｈｃａｉ＠ｃｕｇ．ｅｄｕ．ｃｎ
ｅ－ｍａｉｌ：ｗｕｊｉａｗｂ＠１２６．ｃｏｍ
＊通讯联系人
第６期 光谱学与光谱分析 １６７９
舳加∞∞∞如加
４００ ８０ｏ ｌ ２０ｏ ｌ ６００ ２ ０００ ２４００
ｉＦｇ．１ Ｓｐｅｃｔｒａｌ ｃｕｒｖｅ ｏｆ ｄａｍｏｕｒｉｔｅ
１．２水云母诊断性光谱特征参数提取原理
光谱吸收峰是矿物识别的主要依据，而矿物的单个诊断
性吸收峰特征又可用光谱吸收特征参数来作完整的表达。光
谱吸收特征参数即反射光谱曲线的吸收峰所对应的各参数，
包括波段位置（Ｐ）、宽度（ｗ）、深度（Ｈ）、吸收面积（Ａ），如
图２所示。
波段位置（Ｐ）：在经过包络线消除算法处理后形成的归
一
化光谱曲线上，吸收峰的最小值对应的波长即为吸收谱带
的位置（Ｐ）。
宽度（ｗ）：吸收峰的宽度可定义为 ｚ— ，其中 是光
谱吸收谷的起始点， ｚ是光谱吸收谷的终点。
７０
６Ｏ
ａ
蛊
口
５０
ｌ
ＪＤ（ ０） ３，２
Ｗａｖｅｌｅｎｇｔｈ／ｎｍ
Ｆｉｇ．２ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｍｉｎｅｒａｌ ｓｐｅｃｔｒａｌ
ａｂｓｏｒｐｔｉｏｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ
Ｔａｂｌｅ １ Ｒｅｓｕｌｅｓ ｏｆ ｔｈｅ ａｎａｌｙｓｉｓ ｆｏｒ
ｄａｍｏｕｒｉｔｅ ｐｏｗｄｅｒ ｓｐｅｃｉｍｅｎ
深度（Ｈ）：吸收峰的吸收深度即为归一化值为１的曲线
与吸收峰的最小值之间的垂直距离。
吸收面积（Ａ）：吸收面积即为归一化值为１的曲线和吸
收峰之问的面积。
本文采用包络线分析技术进行水云母诊断性光谱吸收特
征参数的提取＿ｇ 。
１．３水云母诊断性光谱特征参数与含量的关系
２０１矿床的６个水云母粉末样品中各成分的含量见表１，
结合图Ｉ对６组样本的光谱曲线在２ ２０６￣２ ２１０ ｎＩｎ位置的
诊断性吸收峰规模与水云母发育程度的对比观察发现，随着
水云母化的增强，水云母的主要诊断性吸收峰越来越显著，
表现为特征吸收峰变深，吸收面积变大。
２基于实例克隆的ＩＣＳＭＯｒｅｇ算法
２．１实例克隆原理
克隆选择理论是基于抗原刺激而产生免疫应答这一生物
免疫系统的基本特性提出的［ ］，用来解释免疫系统与抗原
反应的过程。在生物体受到细菌和病毒的入侵后，Ｂ细胞就
开始克隆和消灭这些入侵者，而能够识别抗原的细胞则根据
其识别水平的高低通过无性繁殖实现增殖，与抗原的亲和度
高的细胞有能力产生更多的后代，而这些细胞也会经历略小
的变异。
实例克隆的思想是模拟生物免疫系统的克隆机理。实例
克隆对应着一个亲和度变换的过程，即由抗原亲和度较高的
个体在克隆选择机制的作用下，经历增殖复制过程后，取代
亲和度较低的个体。
２．２ ＳＭＯｒｅｇ算法简介
Ｐｌａｔｔ［１ｌ＿提出的序列最小优化（ｓｅｑｕｅｎｔｉａｌ ｍｉｎｉｍａｌ ｏｐｔｉｍｉ—
ｚａｔｉｏｎ，ＳＭＯ）方法以其训练速度快、扩展能力强等优点得到
了最为广泛的应用。ＳＭＯ算法在使用ＫＫＴ条件来选择需要
优化的样本时只使用了单一的阈值．８，当样本都出现在边界
上时，该阈值就无法确定。针对这一问题，Ｓｈｅｖａｄｅｌ１纠提出了
一
种改进的ＳＭＯ算法ＳＭＯｒｅｇ，该方法在使用ＫＫＴ条件判
断优化时使用了两个阈值参数ｂ 和 ，并在论文中给出了
参数的详细定义。
２．３ ＩＣＳＭＯｒｅｇ算法
本文提出的基于实例克隆的ＩＣＳＭＯｒｅｇ算法通过２个步
骤来构建水云母的物谱关联模型，进而对水云母的含量进行
预测：首先是通过计算待测样本（抗原）与训练样本集（初始
抗体种群）之间的亲和度，选择克隆样本进行克隆并更新抗
体种群；然后利用新的实例集合来构建ＳＭＯｒｅｇ预测模型。
步骤ｌ：初始抗体种群的产生。首先将样本集合中水云
母的各个特征参数作为其特征值，利用训练样本来构建初始
抗体种群。待测样本为抗原ｇ ，抗原集合Ｇ一｛ｇ ）（ —ｌ，２，
…
，
Ｎ），其中Ｎ为抗原实例集合的抗原总数。抗体ｂ 为训练
样本，抗体集合Ｂ一｛ｂ ）（ 一１，２，…，Ｌ），其中Ｌ为抗体实
例集合的抗体总数。
步骤２：亲和度计算。采用样本个体至抗体的欧式距离
来计算亲和度的值。距离越小，表明该抗体实例与抗原实例
之问的亲和度就越大。假设ｇ为抗原实例，ｂ为抗体实例，
则抗原和抗体之间的亲和度可以表示为
——一
一一
／ （ 一ｂ ） 一１，２，…，Ｎ （１）
１
式中，ｍ表示实例的属性个数，Ｎ表示抗原实例集合的大
１６８０
，Ｊ、。
光谱学与光谱分析 第３ｌ卷
步骤３：抗体选择。从抗体实例集合也就是训练样本集
合中选出与抗原亲和力最好的 个抗体，组成新的抗体集合
Ｂ 。
步骤４：实例克隆。对选出来的ｎ个抗体进行克隆操作，
克隆过程中采用非等比例进行克隆，克隆的数量与其亲和度
成正比。克隆的规模为ｚ，抗体集合Ｂ 中第ｉ个抗体被克隆
数量为
Ｎ Ｚ×ｌ广 ］ 厂Ｊ．Ｊ （２）
步骤５：更新抗体种群。将克隆后的抗体种群取代原始
的抗体实例种群。
步骤６：在新的抗体实例集合上构建局部ＳＭＯｒｅｇ预测
模型，并返回预测结果。
２．４ ＩＣＳＭＯｒｅｇ算法参数分析
在用ＩＣＳＭＯｒｅｇ算法进行建模的过程中，用户需设定以
下六个极其重要的参数：
（１）ｎ：在初始抗体实例集合中被选出来用于克隆的抗
体实例总数。
（２）Ｎ：从初始抗体种群Ｂ中选出的＂个最优抗体组成
的实例集合Ｂ 的克隆规模。
； Ｍ如∞一 。 ｎ 蛆 ；一。 。一
（３）Ｃ：惩罚系数，对错误分类的惩罚力度。
１一暑一 收溅面 ～、量旱一～ ｕ鼹一 髂ｎ∞一 鼹 ； 一Ｍ一。＂加一。 ｕｎ鸲一
Ｍ∞一 ｎ Ｍ＂鼹一 ： ｕ 一蚰¨一 ∞ ＂弘一
（４）ｅ：ｅ不敏损失函数的不敏损失度。
（５）ｋｅｒｎｅｌ：核函数，实现从低维空间到高维空间的映
射。
（６）Ａ：核参数，影响核函数的性能。
本文将对参数ｎ和Ｎ对ＩＣＳＭＯｒｅｇ性能的影响进行详
细的分析。
３水云母含量预测实例研究
３．１实验数据
实验数据是通过对２６组人工混合粉样（按一定的种类和
相对重量百分比的蚀变单矿物经由人工充分混合而成）的光
谱特征参数进行分析统计而得。混合所用的单矿物有石英、
绿泥石和水云母，均取自铀矿蚀变带，样本均采用室内矿物
分选得到，其详细的统计数据如表２所示。由于原始样本中
各指标的数量级差别很大，为消除指标量纲的影响，对输入
样本需要进行归一化处理。
３．２ ＩＣＳＭＯｒｅｇ建模的参数设定
建模的主要运行参数设定如表３所示。
３．３实验方法及结果分析
本文采用数据挖掘平台ｗｅｋａ进行建模。Ｗｅｋａ数据挖
掘平台ｌ１ 是由新西兰怀卡托（Ｗａｉｋａｔｏ）大学Ｗｉｔｔｅｎ的机器学
习小组用ｊａｖａ开发出来的一个通用平台。实验采用１Ｏ次运
行十字交叉验证方法（１０ ｒｕｎｓ ｏｆ １０一ｆｏｌｄ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ），即
用十分之九的数据进行训练，十分之一的数据进行测试，重
复此过程１Ｏ次。图３（ａ）一（ｆ）分别给出本文中提及的六种模
型预测值与实测值之间的拟合情况。
∞一＂ 毖 盯加ｕ一 ｎ一捣一 ｎ一 ∞Ｊ一 Ｍ一捣 印一 鼹一∞码一。
Ｔａｂｌｅ ３ Ｐａｒａｍｅｔｅｒ ｓｅｔｔｉｎｇｓ ｏｆ ＩＣＳＭＯｒｅｇ ａｌｇｏｒｉｔｈｍ
运行参数 参数取值
克隆选择的样本数
５
克隆规模Ｎ
１．０
舍入误差ｅｐｓ
１．０Ｅ——１２
误差容忍值ｅ
０．００１ ０
数据转换类型ｆｉｌｔｅｒＴｙｐｅ
Ｎｏｒｍａｌｉｚｅ（标准化）
核函数ｋｅｒｎｅｌ
ＰｏｌｙＫｅｒｎｅｌ（径向基核）
核参数
１．０
由图３可以看出：与传统的高光谱物谱关联模型一元线
性回归ＬＲ、多元线性回归ＭＬＲ和神经网络ＢＰ、模型树
ＭＳＰ相比，基于ＳＭＯｒｅｇ的水云母预测模型在２６个实验样
本上能较精确地预测实际的水云母含量。这说明了支持向量
机运用于蚀变矿物水云母含量的预测是可行也是有效的。在
ＳＭＯｒｅｇ的基础上，本文提出的基于实例克隆的ＩＣＳＭＯｒｅｇ
算法的预测值比ＳＭＯｒｅｇ方法更接近实际测量值。
为了更加直观地说明ＩＣＳＭＯｒｅｇ算法的优越性，我们以
均值绝对误差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ）和相对绝对误差（ｒｅｌａｔｉｖｅ
ａｂｓｏｌｕｔｅ ｅｒｒｏｒ）作为评价标准。从六种算法的误差分析（见表
４），可以看出：
（１）基于ＳＭＯｒｅｇ的水云母预测模型的均值绝对误差和
相对绝对误差分别为２．３１５ ８ 和４２．０１６ ５ ，模型准确度
一Ｍ阻 ，
第６期 光谱学与光谱分析 ｌ６８ｌ
优于传统的物谱关联模型ＬＲ（２．４８９
口３口０ｕ再 ＩⅧ８ 雹
９％，４５．１７５ ２％）、
Ｉａｌ
Ⅱｏ口 ０１ⅢｏＪｐ＾１
（２）本文提出的基于实例克隆的［
＿Ｉ 口ｏ０ ８１ｕＩ２ ＾】＿
ＣＳＭＯｒｅｇ模型的均值
Ｉ
ＭＬＲ（２．４８９ ９ ，４５．１７５ ２ ）和
绝对误差为１．９４１ ，相对绝对误差为３５．２１５ ，明显小
加 ｍ ０
６
如 加
ＢＰ（２．４２３ ５
ｍ ０
，４３．９６９
如
加 ：２ ｍ ５ ０
７％）、Ｍ５Ｐ（２．３７５ ５ ，４３．０９９ ６ ）。
于ＳＭＯｒｅｇ算法。
２ ４ ６ ８ １０ １２ １４ １６ １８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌ ｎｕｍｂｅｒ
２ ４ ６ ８ １０ １２ １４ １６ １８ ２Ｏ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌ ｎｕｍｂｅｒ
ｇ昌０ｕ 百２口＾１＿ ，ｏ，苗ｏ ｑ００ 召０Ｊ口茸＾ 口崔０ｕ Ｂ。ＩⅢ暑＾Ｈ
如 加：２ ｍ ０
加：２ ｍ ０
”∞ 加 ｍ ５ ０
１０ ｌ２ １４ ｌ６ ｌ８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌｎｕｍｂｅｒ
ｌＯ １２ ｌ４ １６ １８ ２Ｏ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌ ｎｕｍｂｅｒ
２ ４ ６ ８ １０ １２ １４ １６ ｌ８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌｎｕｍｂｅｒ
２ ４ ６ ８ １Ｏ ｌ２ １４ ｌ６ ｌ８ ２０ ２２ ２４ ２６
Ｓａｍｐｌｅ ｓｅｒｉａｌｎｕｍｂｅｒ
Ｆｉｇ．３ Ｆｉｔｔｉｎｇ ｓｉｔｕａｔｉｏｎ ｏｆ ｔｈｅ ｃａｌｃｕｌａｔｅｄ ｖａｌｕｅ ｂａｓｅｄ ｏｎ ＬＲ（ａ），ＭＬＲ（ｂ），Ｍ５Ｐ（ｃ），ＢＰ（ｄ），ＳＭＯｒｅｇ（ｅ）
ａｎｄ ｔｈｅ ｎｅｗ ｍｏｄｅｌ ＩＣＳＭＯｒｅｇ（ｆ）ａｎｄ ａｃｔｕａｌ ｖａｌｕｅ
表４的结论与图３是一致的，即基于实例克隆的
ＩＣＳＭＯｒｅｇ￣型所得到的水云母含量预测结果更接近于实测
４结论
值，且优于ＳＭＯｒｅｇ，ＢＰ，Ｍ５Ｐ以及传统的物谱关联模型ＬＲ
和ＭＬＲ所得到的结果。说明用基于实例克隆的ＩＣＳＭＯｒｅｇ
方法来构建水云母含量与光谱特征参数的关联模型是行之有
效的。
Ｔａｂｌｅ ４ Ｓｔａｔｉｓｔｉｃａｌ ｅｒｒｏｒ ａｎａｌｙｓｉｓ
本文首先对铀矿床蚀变矿物水云母含量与光谱吸收特征
参数进行相关分析，建立了蚀变矿物含量与光谱吸收峰的特
征参数反射率、深度、宽度和吸收面积之间的物谱关联模
型，并提出将支持向量机ＳＭＯｒｅｇ用于蚀变矿物水云母的物
谱关联建模中，实验结果证明了其可行性与有效性。
在此基础上提出了一种基于实例克隆的ＳＭＯｒｅｇ新模型
ＩＣＳＭＯｒｅｇ，并将其用于铀矿床典型蚀变矿物水云母含量的
预测。用十字交叉验证方法进行检验，样品的均值绝对误差
为１．９４１ ，相对绝对误差为３５。２１５ ６％。实验证明本文提
出的基于实例克隆的ＩＣＳＭＯｒｅｇ算法的预测值比ＳＭＯｒｅｇ方
法更接近实际测量值，为铀矿床典型蚀变矿物含量预测提供
了一种新的有效预测模型。
１６８２ 光谱学与光谱分析 第３１卷
Ｒｅｆｅｒｅｎｃｅｓ
［１］ＭＩＮ Ｍａｏ－ｚｈｏｎｇ，ｗＵ Ｊｕｎ—ｑｉ，Ｑ１ Ｃｈｅｎｇ－ｙｕｎ，ｅｔ ａｌ（阂茂中，吴俊奇，戚成云，等）．Ｕｒａｎｉｕｍ Ｇｅｏｌｏｇｙ（铀矿地质），１９９２，８（１）：２５．
［２］ＣＨＥＮ Ｗｅｎ－ｘｉａ，ＣＨＥＮ Ａｎ－ｓｈｅｎｇ，ＣＡＩ Ｚｈｉ—ｈｕａ（陈文霞，陈安升，蔡之华）．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ（计算机工程与应
用），２００８，４４（２８）：２３０．
［３］ＺＨＡＯ Ｈｏｎｇ ｂｏ（赵洪波）．Ｒｏｃｋ ａｎｄ Ｓｏｉｌ Ｍｅｃｈａｎｉｃｓ（岩土力学），２００５，２６（２）：２３５．
［４］ＧＥ Ｈｏｎｇ ｗｅｉ，ＬＩＡＮＧ Ｙａｎ—ｃｈｕｎ，ＨＵ Ｗｅｉ，ｅｔ ａｌ（葛宏伟，梁艳春，刘
与工程学报），２００７，２８（８）：１６５０．
［５］ＷＡＮＧ Ｙｕａｎ—ｙｕａｎ，ＣＨＥＮ Ｙｕｎ－ｈａｏ，Ｉ Ｉ Ｊｉｎｇ（王圆圆，陈云浩，李
大学学报），２００６，３５（６）：８１８．
玮，等）．Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ（岩石力学
京）．Ｊｏｕｒｎａｌ ｏｆＣｈｉｎａ ＵｎｉｖｅｒｓｉｔｙｏｆＭｉｎｉｎｇ＆Ｔｅｃｈｎｏｌｏｇｙ（中国矿业
［６］Ｉ Ｉ Ｔａｏ（李
２００４．
涛）．Ｃｏｍｐｕｔｅｒ Ｉｍｍｕｎｏｌｏｇｙ（计算机免疫学）．Ｂｅｉｊｉｎｇ：Ｐｕｂｌｉｓｈｉｎｇ Ｈｏｕｓｅ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｄｕｓｔｒｙ（Ｊｇ京：电子工业出版社），
［７］ＨＥ Ｊｉａｎ ｇｕｏ，ＭＡ（）Ｙｕ—ｘｉａｎ，ＬＩ Ｊｉａｎ－ｚｈｏｎｇ，ｅｔ ａｌ（何建国，毛玉仙，李建中，等）．Ｕｒａｎｉｕｍ Ｇｅｏｌｏｇｙ（铀矿地质），２００８，２４（４）：２５０．
［８］ＷＥＮ Ｚｈｉ－ｊｉａｎ，ＤＵ Ｌｅ－ｔｉａｎ，ＩｄＵ Ｚｈｅｎｇ－ｙｉ（温志坚，杜乐天，刘正义）．Ｍｉｎｅｒａｌ Ｄｅｐｏｓｉｔｓ（矿床地质），２０００，１９（３）：２５７．
［９］ＺＨＡＮＧ ｌＡａｎｇ－ｐｅｉ，ＺＨＡＮＧ Ｌｉ—ｆｕ（张良培，张立福）．Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ（高光谱遥感）．Ｗｕｈａｎ：Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ（武
汉大学出版社），２００５．
［１Ｏ］ＺＨＯＮＧ Ｙａｎ－ｆｅｉ，ＺＨＡＮＧ Ｌｉａｎｇ－ｐｅｉ，Ｉ Ｉ Ｐｉｎｇ－ｘｉａｎｇ（钟燕飞，张良培，李平湘）．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ（计算机学报），２００７，３０
（１２）：２１８Ｌ
［１１２ Ｐｌａｔｔ Ｊ ｃ．Ｉｎ：Ｓｃｈｏｌｋｏｐｆ Ｂ，Ｂｕｒｇｅｓ Ｃ，Ｓｍｏｌａ Ａ，ｅｄｓ．Ａｄｖａｎｃｅｓ ｉｎ Ｋｅｒｎｅｌ Ｍｅｔｈｏｄｓ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ．Ｃａｍｂｒｉｄｇｅ：ＭＩＴ Ｐｒｅｓｓ，
１ ９９８．
［１２］Ｓｈｅｖａｄｅ Ｓ Ｋ，Ｋｅｅｒｔｈｉ Ｓ Ｓ，Ｂｈａｔｔａｃｈａｒｙｙａ Ｃ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，２０００，１１（５）：１１８８．
［１３］Ｗｉｔｔｅｎ Ｉ Ｈ，Ｅｉｂｅ Ｆ Ｄａｔａ Ｍｉｎｉｎｇ．．Ｐｒａｃｔｉｃａｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｏｏｌｓ ａｎｄ Ｔｅｃｈｎｉｑｕｅｓ，Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ．Ｓａｎ Ｆｒａｎｃｉｓｃｏ：Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ
Ｐｒｅｓｓ．２００５．
Ａ Ｎｏｖｅｌ ＳＭＯｒｅｇ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｉｎｓｔａｎｃｅ Ｃｌｏｎｅｄ ａｎｄ Ｉｔｓ Ｒｅｓｅａｒｃｈ ｏｎ
Ｓｐｅｃｔｒａｌ Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｈｙｄｒｏｍｉｃａ ｉｎ Ｕｒａｎｉｕｍ Ｄｅｐｏｓｉｔ
Ｗｕ Ｊｉａ，ＣＡＩ Ｚｈｉ—ｈｕａ ，ＧＡＯ Ｚｈｅ－ｃｈａｏ，ＹＵ Ｃｈａｏ
Ｓｃｈｏｏ１ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｇｅｏｓｃｉｅｎｃｅｓ，Ｗｕｈａｎ ４３００７４，Ｃｈｉｎａ
Ａｂｓｔｒａｃｔ Ｈｙｄｒｏｍｉｃａ ｉｓ ａ ｔｙｐｉｃａｌ ａｌｔｅｒａｔｉｏｎ ｍｉｎｅｒａｌ ｉｎ ｇｒａｎｉｔｅ－ｔｙｐｅ ｕｒａｎｉｕｍ ｄｅｐｏｓｉｔ，ａｎｄ ａｌｓｏ ａｎ ｉｍｐｏｒｔａｎｔ ｉｎｄｉｃａｔｉｏｎ ｏｆ ｕｒａｎｉｕｍ．
Ｔｈｅ ａｍｏｕｎｔ ｏｆ ｈｙｄｒｏｍｉｅａ ｔｏ ｓｏｍｅ ｅｘｔｅｎｔ ｒｅｆｌｅｃｔｓ ｔｈｅ ｓｔｒｅｎｇｔｈ ｏｆ ｈｙｄｒｏｍｉｃａｓｉｚａｔｉｏｎ ｉｎ ｕｒａｎｉｕｍ ｄｅｐｏｓｉｔ．Ｂｅｃａｕｓｅ ｏｆ ｔｈｅ ｂａｄ
ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｍｏｄｅｌｌｉｎｇ ｍｅｔｈｏｄｓ ｉｎ ｐｒｅｄｉｃｔｉｏｎ，ｉｎ ｔｈｅ ｐｒｅｓｅｎｔ ｐａｐｅｒ，ｔｈｅ ａｕｔｈｏｒｓ’ａｄｏｐｔ ＳＭＯｒｅｇ ｉｎ ｔｈｅ ｓｐｅｃｔｒａｌ
ｍｏｄｅｌｌｉｎｇ ｆｏｒ ｈｙｄｒｏｍｉｅａ，ａｎｄ ｖａｌｉｄａｔｅ ｉｔｓ ｅｆｆｅｃｔｉｖｅｎｅｓｓ．Ｔｈｅ ａｕｔｈｏｒｓ’ａｌｓｏ ｐｒｏｐｏｓｅ ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｃａｌｌｅｄ ＩＣＳＭＯｒｅｇ．Ｉｎ ｔｈｉｓ
ｍｅｔｈｏｄ ｔｈｅ ａｕｔｈｏｒｓ’ｅｍｐｌｏｙ ｉｎｓｔａｎｃｅ ｃｌｏｎｅｄ ｍｅｔｈｏｄ ｔｏ ｌｅａｒｎ ｔｈｅ ｓａｍｐｌｅｓ ｓｅｌｅｃｔｅｄ ｂｙ ｈａｖｉｎｇ ａ ｓｔｒｏｎｇ ａｆｆｉｎｉｔｙ ｗｉｔｈ ｔｈｅ ｔｅｓｔ ｓｅｔｓ，
ａｎｄ ｔｈｅｎ ｇｅｔ ｔｈｅ ｎｅｗ ｓａｍｐｌｅｓ ｉｎｔｏ ＳＭＯｒｅｇ ｔｏ ｂｕｉｌｄ ｔｈｅ ｓｐｅｃｔｒａｌ ｍｏｄｅ１．Ｆｉｎａｌｌｙ，ｗｅ ｅｘｐｅｒｉｍｅｎｔａｌｌｙ ｃｏｍｐａｒｅ ＩＣＳＭＯｒｅｇ ｗｉｔｈ
ＳＭＯｒｅｇ，ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ｍｏｄｅｌ ｔｒｅｅ ａｎｄ ｔｈｅ ｃｏｍｍｏｎ ｍｏｄｅｌｌｉｎｇ ｍｅｔｈｏｄｓ ｌｉｋｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ，ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｒｅｇｒｅｓ—
ｓｉｏｎ．Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｎｅｗ ｍｅｔｈｏｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｐｒｅｄｉｃｔｉｏｎ，ａｎｄ ａｌｓｏ ｒｅｄｕｃｅｓ ｔｈｅ ｎｅｇａｔｉｖｅ ｉｍｐａｃｔ ｏｆ ｎｏｉｓｅ．
Ｋｅｙｗｏｒｄｓ Ｉｎｓｔａｎｃｅ ｃｌｏｎｅｄ；ＳＭＯｒｅｇ；Ｓｐｅｃｔｒａｌ ａｂｓｏｒｐｔｉｏｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ；Ｕｒａｎｉｕｍ ｄｅｐｏｓｉｔ；Ｈｙｄｒｏｍｉｃａ；Ｐｒｅｄｉｃｔｉｏｎ
（Ｒｅｃｅｉｖｅｄ Ｊｕ１．４，２０１０；ａｃｃｅｐｔｅｄ Ｏｃｔ．５，２０１０）
＊Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ