基于机器学习的深部采空区CSAMT电性特征增强与分类方法

摘要

本发明公开了一种基于机器学习的深部采空区CSAMT电性特征增强与分类方法，其包括步骤：I.针对反演后的CSAMT电阻率异常特征，初始化能够去除浅部异常与增强深部采空区特征的卷积核；II.利用步骤I得到的卷积核进行卷积计算，以提取浅部异常信息和深部采空区电性异常信息；III.对步骤II获得的浅部卷积电阻率特征与深部采空区卷积电阻率特征进行计算，获得能量误差，若能量误差不满足精度要求，则返回步骤I修改初始化卷积核参数；若能量误差满足误差要求，则去除浅部异常干扰，增强深部采空区电性特征；IV.对步骤III获得的CSAMT电性特征进行基于核函数的模糊聚类分析；V.根据聚类结果，对采空区、巷道等地质特征进行识别与归类，并对采空区的基本情况进行预测。