应用奇异值分解与二维经验模型分解提取金矿化致矿重力异常
奇异值分解法
奇异值分解法奇异值分解是一种基于数学的计算技术，有助于研究者在处理非结构化数据时，对数据中的模式和特征进行识别和分析。
主要的应用以及计算机视觉领域，如图像压缩，图像识别，网络指纹识别，特征识别，图像融合，图像检索，脸部识别，图像分类等。
它可以有效地提取结构信息，从而改善数值分析误差和结果准确度。
奇异值分解算法最早由犹太数学家图良克提出，用于解决高维数据的维度问题。
它的核心是利用奇异向量的分解，将原始数据矩阵分解为有限个相对低维的部分，然后在每个部分内求出最佳的拟合系数，最后将拟合系数合并，即可得出整个原始矩阵。
奇异值分解法的主要步骤是：首先，计算原始数据矩阵的奇异值和奇异向量，然后，根据固有值确定奇异值和奇异向量，确定压缩程度，综合利用奇异值分解和奇异向量，进行特征提取和矩阵重建，从而将复杂的原始矩阵压缩成有限的低维数据，增加模型的处理速度，提高预测准确度。
除了图像处理外，奇异值分解在信号处理，数据挖掘，社交网络分析，自然语言处理，机器学习等领域也都有广泛应用。
它可以用来识别微弱的特征，筛选出重要变量，减少数据维度，提高预测准确度，快速处理大型数据集，提高模型效率。
奇异值分解是一种高效的数据分析技术，可以提取原始数据中的有用信息，增强模型的精确性。
它的应用非常广泛，可以改善各种计算机视觉任务的性能，为商业，科学和技术发展带来重大的突破和改进。
然而，奇异值分解也有一些缺点。
例如，它要求原矩阵具有有限的解，但是很多实际数据集中存在大量的噪声，它可能会对奇异值分解造成影响，导致分析结果不准确。
另外，它也有较高的计算复杂度，不能有效地处理大型数据集。
总而言之，奇异值分解是一种有效的数学分析方法，它可以有效地提取原始数据中的有用信息，为计算机视觉和大数据分析研究提供有益的参考。
然而，由于它的计算复杂度较高，要求原矩阵具有有限解，它也存在一定的局限性，需要采取灵活的处理方法以获取更准确有效的分析结果。
奇异值分解在数据挖掘中的应用探讨(十)
奇异值分解（Singular Value Decomposition, SVD）是一种常用的矩阵分解技术，它在数据挖掘和机器学习领域有着广泛的应用。
在这篇文章中，我们将探讨奇异值分解在数据挖掘中的应用，并分析其在降维、特征提取和推荐系统等方面的作用。
一、奇异值分解简介奇异值分解是将一个矩阵分解为三个矩阵的乘积的过程。
对于一个m×n的矩阵A，其奇异值分解可以表示为：A=UΣV^T其中U是一个m×m的正交矩阵，Σ是一个m×n的对角矩阵，V^T是一个n×n的正交矩阵。
在奇异值分解中，U和V是正交矩阵，Σ是一个对角矩阵，对角线上的元素称为奇异值。
奇异值分解的重要性在于它可以将原始矩阵表示为多个特征的线性组合，从而实现对矩阵的降维和特征提取。
二、奇异值分解在降维中的应用在数据挖掘中，高维数据集往往会造成维度灾难，影响模型的性能和运算效率。
奇异值分解可以通过保留最重要的奇异值和对应的特征向量，来实现对数据的降维处理。
通过去除奇异值分解中奇异值较小的部分，可以将原始数据矩阵A近似地表示为一个低秩的矩阵，从而减少数据的维度。
这种降维处理不仅可以减少数据的存储空间和计算复杂度，还可以提高模型的鲁棒性和泛化能力。
三、奇异值分解在特征提取中的应用在数据挖掘和机器学习任务中，特征提取是一个重要的步骤，它可以帮助模型更好地理解数据并提高模型的性能。
奇异值分解可以通过选择最重要的奇异值和对应的特征向量，来实现对数据的特征提取。
通过将原始数据矩阵A表示为奇异值分解的形式，可以得到数据的主要特征和结构信息。
选择奇异值分解中最大的k个奇异值和对应的特征向量，可以得到一个k维的特征空间，从而实现对数据的特征提取和降维表示。
四、奇异值分解在推荐系统中的应用推荐系统是一种常见的数据挖掘应用，它可以帮助用户发现感兴趣的商品或信息。
奇异值分解在推荐系统中有着重要的作用，它可以通过分解用户-物品评分矩阵，来实现对用户和物品的关联分析和推荐。
如何利用奇异值分解进行特征提取(九)
奇异值分解（Singular Value Decomposition，简称SVD）是一种非常重要的矩阵分解方法，它在数据分析、机器学习和图像处理等领域都有广泛的应用。
在这篇文章中，我们将探讨如何利用奇异值分解进行特征提取。
首先，让我们来了解一下奇异值分解的基本原理。
给定一个矩阵A，奇异值分解可以将矩阵A分解为三个矩阵的乘积：A=UΣV^T，其中U和V是正交矩阵，Σ是一个对角矩阵，对角线上的元素称为奇异值。
奇异值分解的主要作用是将原始数据映射到一个更低维的空间中，并保留数据的主要特征。
利用奇异值分解进行特征提取的第一步是对原始数据进行预处理。
在实际应用中，通常会对原始数据进行中心化和标准化处理，以消除数据之间的量纲差异和均值偏移对特征提取的影响。
接下来，我们可以利用奇异值分解将预处理后的数据进行降维，从而提取数据的主要特征。
在实际应用中，奇异值分解常常用于图像处理和推荐系统中。
在图像处理中，我们可以利用奇异值分解对图像进行压缩和去噪，从而提取图像的主要特征。
在推荐系统中，奇异值分解可以帮助我们发现用户和物品之间的隐藏特征，从而实现个性化推荐。
除了在图像处理和推荐系统中，奇异值分解还可以应用于数据降维和特征提取。
在机器学习领域，我们常常会遇到高维数据，而高维数据中往往包含了大量冗余信息，这时就可以利用奇异值分解将数据进行降维，从而提取数据的主要特征。
通过降维处理，我们可以减少数据的存储空间和计算复杂度，同时还可以提高模型的泛化能力。
除了奇异值分解外，还有一些其他常用的特征提取方法，比如主成分分析（PCA）、独立成分分析（ICA）等。
这些方法各有特点，可以根据具体的应用场景选择合适的方法进行特征提取。
在实际应用中，我们可能会结合多种特征提取方法，以获得更好的特征表示和模型性能。
总之，奇异值分解是一种非常重要的特征提取方法，它可以帮助我们从原始数据中提取主要特征，从而实现数据的降维和信息的压缩。
在实际应用中，我们可以结合奇异值分解和其他特征提取方法，以获得更好的特征表示和模型性能。
多重分形局部奇异性分析方法及其在矿产资源信息提取中的应用.
多重分形局部奇异性分析方法及其在矿产资源信息提取中的应用非线性理论、复杂性理论、空间信息技术与矿床学、矿产资源勘查与评价研究的结合是国际新兴研究领域。
自从多重分形概念被引入到分形理论中以来各种多重分形模型被纷纷提出并广泛应用于自然科学和社会科学各个领域中。
在地学领域，许多地质过程具有尺度独立性特征，多重分形理论所提供的奇异性、广义自相似性、多重分形谱等概念和相关的模型，不仅能够客观地描述成矿系统、成矿过程、成矿富集规律、矿产资源时空分布，还提供了定量模拟和识别成矿异常(地质、地球物理、地球化学、遥感异常)的有工“效模型和实用方法。
基于多重分形理论的局部奇异性分析是近年来迅速发展的前缘研究方向，不仅在矿产资源信息提取中具有重要的应用，而且在其它许多应用领域也有良好的应用前景。
奇异性问题的研究在科学技术的诸多领域都有所涉及，并且有着各自特定的含义。
为了采用奇异性的基本原理研究一般的奇异性事件或过程，本文中的奇异性定义为：将在很小的时间—空间范围具有巨大能量释放或巨量物质形成的现象称之为具有奇异性。
成矿作用可以认为是一种特殊的奇异事件，它引起成矿物质的巨量堆积和元素高度富集。
非线性理论和复杂性理论的最新研究结果表明，奇异性通常具有尺度不变性特征，奇异性现象往往是分形的或多重分形的。
在局部奇异性分析中，指数α被称为局部奇异性指数，在不同的位置上幂律关系可以具有不同的α值，α值表征了模式的密度分布随度量尺度的变化性。
在地球化学数据中，正奇异的地段(α＜2))对应于由于矿化作用或其他局部地质过程而引起的元素富集地段；负奇异的地段(α＞2)对应于元素相对亏损的地区；无奇异(α≈2)的地区对应于背景场，背景场在地球化学图中所占范围较大。
α值越小，表明正奇异性越强烈。
局部奇异性分析方法可以直接对局部异常进行空间(时间)定位，并在低缓异常识别中效果显著，在矿床空间丛聚分布度量、遥感信息处理中也已取得较好的效果，该分析方法的引进还产生了奇异地质统计学插值方法。
金矿区地球化学异常特征信息提取方法
金矿区地球化学异常特征信息提取方法张涛铄，郭大伟，刘 杰（新疆地矿局第七地质大队，新疆 乌苏 ８３３０００）摘 要：异常提取是地球化学勘探工作的重要组成部分，对于异常的有效发现发挥着非常重要的作用。
以新疆萨尔布拉克金矿区地球化学异常特征进行分析研究，显示Ａｕ在形成的过程中具有明显的复杂性，指出当前开采的矿体是原矿体中下部与Ａｕ的近矿指示元素组合。
对区内有利成矿部位及其空间分布特征进行总结，旨在更好的预测定位矿体，指导找矿工作顺利进行。
关键词：金矿；地球化学；异常特征；信息提取；新疆中图分类号：Ｐ６２７ 文献标识码：Ａ 文章编号：１００２－５０６５（２０１９）１６－０１２６－２Extraction Method of Geochemical Anomaly Characteristic Information in Gold Mining AreaZHANG Tao-shuo, GUO Da-wei, LIU Jie（Ｓｅｖｅｎｔｈ Ｇｅｏｌｏｇｉｃａｌ Ｂｒｉｇａｄｅ ｏｆ Ｘｉｎｊｉａｎｇ Ｇｅｏｌｏｇｉｃａｌ ａｎｄ Ｍｉｎｅｒａｌ Ｂｕｒｅａｕ，Ｗｕｓｕ ８３３０００，Ｃｈｉｎａ）Abstract: Ａｎｏｍａｌｙ ｅｘｔｒａｃｔｉｏｎ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｐａｒｔ ｏｆ ｇｅｏｃｈｅｍｉｃａｌ ｅｘｐｌｏｒａｔｉｏｎ ａｎｄ ｐｌａｙｓ ａ ｖｅｒｙ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎ ｔｈｅ ｅｆｆｅｃｔｉｖｅ ｄｉｓｃｏｖｅｒｙ ｏｆ ａｎｏｍａｌｉｅｓ． Ｂａｓｅｄ ｏｎ ｔｈｅ ａｎａｌｙｓｉｓ ａｎｄ ｓｔｕｄｙ ｏｆ ｔｈｅ ｇｅｏｃｈｅｍｉｃａｌ ａｎｏｍａｌｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｓａｌｂｒａｃ ｇｏｌｄ ｄｅｐｏｓｉｔ ｉｎ Ｘｉｎｊｉａｎｇ， ｉｔ ｉｓ ｓｈｏｗｎ ｔｈａｔ Ａｕ ｈａｓ ｏｂｖｉｏｕｓ ｃｏｍｐｌｅｘｉｔｙ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｆｏｒｍａｔｉｏｎ． Ｉｔ ｉｓ ｐｏｉｎｔｅｄ ｏｕｔ ｔｈａｔ ｔｈｅ ｃｕｒｒｅｎｔ ｍｉｎｉｎｇ ｏｒｅｂｏｄｙ ｉｓ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｈｅ ｌｏｗｅｒ ｐａｒｔ ｏｆ ｔｈｅ ｏｒｉｇｉｎａｌ ｏｒｅｂｏｄｙ ａｎｄ ｔｈｅ ｐｒｏｘｉｍａｌ ｉｎｄｉｃａｔｏｒ ｅｌｅｍｅｎｔｓ ｏｆ Ａｕ． Ｉｎ ｏｒｄｅｒ ｔｏ ｂｅｔｔｅｒ ｐｒｅｄｉｃｔ ａｎｄ ｌｏｃａｔｅ ｏｒｅｂｏｄｉｅｓ ａｎｄ ｇｕｉｄｅ ｔｈｅ ｐｒｏｓｐｅｃｔｉｎｇ ｗｏｒｋ ｔｏ ｐｒｏｃｅｅｄ ｓｍｏｏｔｈｌｙ， ｔｈｅ ｆａｖｏｒａｂｌｅ ｍｅｔａｌｌｏｇｅｎｉｃ ｌｏｃａｔｉｏｎｓ ａｎｄ ｔｈｅｉｒ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｉｎ ｔｈｅ ａｒｅａ ａｒｅ ｓｕｍｍａｒｉｚｅｄ．Keywords: ｇｏｌｄ ｄｅｐｏｓｉｔ； ｇｅｏｃｈｅｍｉｓｔｒｙ； ａｎｏｍａｌｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ； ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ； Ｘｉｎｊｉａｎｇ1矿区地质概况额尔齐斯深大断裂南侧是矿区的分布所在，属于准格尔-哈萨克斯坦板块东北缘活动带一侧区域上。
奇异值分解在数据挖掘中的应用探讨(八)
奇异值分解在数据挖掘中的应用探讨奇异值分解（Singular Value Decomposition，简称SVD）是一种常用的矩阵分解方法，被广泛应用于数据挖掘、推荐系统、自然语言处理等领域。
SVD的基本思想是将一个矩阵分解为三个矩阵的乘积，通过这种分解可以提取出矩阵中的重要信息，从而实现对数据的降维和特征提取。
本文将探讨奇异值分解在数据挖掘中的应用，并分析其在推荐系统和图像处理中的具体应用。
1. SVD在推荐系统中的应用在推荐系统中，SVD被广泛应用于协同过滤算法中。
协同过滤是一种根据用户的历史行为和偏好来进行个性化推荐的算法，它通过分析用户对物品的评分或点击等行为来预测用户对未知物品的喜好程度。
SVD可以将用户-物品评分矩阵分解为三个矩阵的乘积，分别代表用户、物品和评分的特征，从而实现对用户和物品的特征提取和降维。
通过SVD分解得到的用户和物品的特征向量可以用来计算用户对未知物品的评分，进而实现个性化推荐。
2. SVD在图像处理中的应用在图像处理领域，SVD被广泛应用于图像压缩和去噪等任务。
SVD可以将图像矩阵分解为三个矩阵的乘积，分别代表图像的基本结构、亮度和色彩等特征。
通过保留前几个奇异值对应的特征向量，可以实现对图像的降维压缩，从而减小图像的存储空间和传输带宽。
此外，SVD还可以用于图像的去噪处理，通过保留图像中最重要的奇异值和特征向量，可以去除图像中的噪声和细节，从而得到更清晰的图像。
3. SVD在文本挖掘中的应用除了在推荐系统和图像处理中的应用，SVD还可以用于文本挖掘和自然语言处理任务。
在文本挖掘中，SVD可以将文档-词频矩阵分解为三个矩阵的乘积，从而实现对文档和词的特征提取和降维。
通过SVD分解得到的文档和词的特征向量可以用来计算文档之间的相似度，进行文本聚类和分类等任务。
在自然语言处理中，SVD也可以用于词嵌入和语义表示，通过对大规模语料库进行SVD分解，可以得到词的低维稠密向量表示，从而实现对词义和语义信息的提取和表示。
【国家自然科学基金】_金矿化带_基金支持热词逐年推荐_【万方软件创新助手】_20140802
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6
科研热词 推荐指数 铜石金矿田 1 金矿化致矿重力异常提取 1 奇异值分解 1 多重分形 1 二维经验模型分解 1 中国东部 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
科研热词 黑色岩系 青海祁漫塔格 露天堆浸 矿化分带 虎头崖 矽卡岩 白云鄂博群 潜在生态风险 渗滤交代作用 污染评价 比鲁特组 多金属矿床 地质累积指数 地质学 低品位 主要控矿因素
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
科研热词 银洞沟银多金属矿床 造山型银矿 造山型金矿 蚀变分带 秦岭造山带 矿化特征 流体包裹体 斑岩型铅锌银矿床 大陆碰撞 同位素地球化学 十四万金矿床 冷水坑 内蒙古 ~(40)ar/~(39)ar年龄 cmf模式
科研热词 黄铁矿 雄村 镉 铜金矿 金矿床 逆-平移脆性剪切带 西藏 综合评价指标 砷 矿化带 矿体形貌学 潜在生态风险 深部矿体 污染评价 正花状节理系 构造优势线 找矿标志 找矿前景 成分标型 定位预测 夏甸金矿区 地球化学特征 土壤 ⅶ号脉
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
奇异值分解在模式识别中的实际案例分析(Ⅱ)
奇异值分解在模式识别中的实际案例分析在当今的数据科学领域中，奇异值分解（Singular Value Decomposition，SVD）是一种被广泛应用的矩阵分解技术，它在模式识别和数据挖掘领域有着重要的作用。
SVD能够将一个矩阵分解为三个矩阵的乘积形式，这种分解能够提取出矩阵中的重要信息，对于降维、数据压缩、特征提取等问题有着重要的应用。
本文将通过几个实际的案例来分析奇异值分解在模式识别中的应用。
案例一：图像压缩图像压缩是SVD在模式识别中的经典应用之一。
我们知道，一幅图像可以表示为一个矩阵，矩阵中的每个元素代表了像素的灰度值。
而图像通常是高维的，对于大尺寸的图像，存储和传输成本都非常高昂。
通过SVD，我们可以将图像矩阵分解为三个矩阵的乘积形式，其中一个矩阵包含了图像的重要信息，而另外两个矩阵可以用来压缩图像。
通过保留重要的奇异值和对应的特征向量，我们可以实现对图像的有效压缩，从而降低存储和传输成本。
案例二：推荐系统在推荐系统中，SVD也有着重要的应用。
推荐系统的目标是根据用户的历史行为和偏好，向用户推荐可能感兴趣的物品。
而用户行为和物品之间的关系可以表示为一个用户-物品矩阵。
通过SVD分解，我们可以将用户-物品矩阵分解为三个矩阵的乘积形式，其中一个矩阵包含了用户和物品之间的潜在关系，而另外两个矩阵可以用来进行推荐。
通过对潜在关系的挖掘和特征提取，我们可以实现更准确和个性化的推荐，提高用户的满意度和推荐系统的效果。
案例三：语音识别SVD在语音识别领域也有着重要的应用。
语音信号可以表示为一个矩阵，其中每一行代表了一段时间内的语音特征。
通过SVD分解，我们可以将语音信号分解为三个矩阵的乘积形式，其中一个矩阵包含了语音信号的重要特征，而另外两个矩阵可以用来进行特征提取和语音识别。
通过对重要特征的提取和分析，我们可以实现对语音信号的高效识别和处理，提高语音识别系统的准确性和鲁棒性。
综上所述，奇异值分解在模式识别中具有广泛的应用前景。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 SVD 和 BEMD 方法原理
中图分类号：P628; P618.51
文 献 标 志 码 ：A
文 章 编 号 ：1671-2552 （2011 ）05-0661-09
Chen Y Q, Zhao B B. The application of both singular value decomposition and bi-dimensional empirical mode decomposition in extraction of gravity anomalies associated with gold mineralization. Geological Bulletin of China, 2011, 30(5):661-669
正重力异常可能代表铁-铜-金矿化矽卡岩体。 ④虽然 2 种方法在原理和过程方面都不同，但具有明显地质成矿意义的金致矿
异常皆可通过各自定义的带通滤波器获取。 ⑤在成矿地质背景的约束下，由这 2 种方法获取的综合研究结果比其中任意一种
方法获取的结果更全面客观地揭示了控矿因素与金矿化的空间关系。
关键词：二维经验模型分解；奇异值分解；多重分形；金矿化致矿重力异常提取；铜石金矿田；中国东部
662
地 质 通 报 GEOLOGICAL BULLETIN OF CHINA
2011 年
phic base swell in NW direction with positive gravity anomaly located between the Tongshi intrusion and the Mesozoic volcanic sedimentary basin. （d）The image produced by SVD might depict the inner structure of the Tongshi intrusion and the ringed contact metasomatic zone in more detail than that produced by BEMD. The higher gravity anomaly areas like island-shaped bodies within the ringed contact metasomatic zone may be skarn bodies with iron-copper-gold mineralization. (e) Under the constraints of the oreforming geological setting, the result obtained from the original gravity data by combination of the two methods can depict the relationship between the ore-controlling factors and the gold mineralizations more exactly than the result obtained only by one method. Key words: bi -dimensional empirical mode decomposition；singular value decomposition; multi -fractal; extraction of the gravity anomalies associated with gold mineralization; Tongshi gold orefield; eastern China
SVD 2 种方法获取的铜石金矿田的控矿因素是一致的，为重力负异常的近圆形铜石侵入杂岩体和环绕铜石侵入杂岩体的表现
为正异常的接触交代矿化带。 ②2 种方法一致地揭示了控矿因素和不同类型金矿化之间的空间关系：斑岩型金矿化位于杂岩体
内，矽卡岩型铁-铜-金矿化位于内接触交代带，卡林但
由于地质成矿过程的长期性和复杂性， 记录这 一过程的数据集往往具有非线性结构和非平稳的特 征 [1-7]， 使 得 诸 如 地 质 统 计 学 和 傅 立 叶 变 换 等 传 统 的 数据处理方法，严格意义上，并不适用于处理非线性 和非平稳的数据 。 [8-11] 为此 ，Huang 等[10]建立了一种 自适应的信号分析技术， 称为 Hilbert-Huang 变换 （Hilbert-Huang Transform，HHT）。 该方法包括 2 部 分 算 法 ，即 经 验 模 分 解 （empirical mode decomposition，EMD）和 Hilbert 谱分析，二者有机结合定量地 刻画非线性和非平稳过程。
摘 要 ：奇 异 值 分 解 （singular value decomposition，SVD）和 二 维 经 验 模 型 分 解 （bi-dimensional empirical mode decomposition，BE-
MD） 2 种方法用于鲁西铜石金矿田的金矿化致矿重力异常提取。 通过对比研究得出如下结论：①基于重力数据，由 BEMD 和
反映了控矿地质体单元（铜石杂岩体）的空间分布特征，亦反映了铜石金矿田的其它地质单元，如 NW 向表现为 明 显 重 力 负 异
常的中生代火山沉积盆地，位于铜石侵入体与中生代火山沉积盆地之间的表现为重力正异常的 NW 向基底隆起。 而由 SVD 获
取的致矿重力异常，更确切地揭示了铜石侵入体和环形接触交代带内部的精细结构特征，环形接触交代带内部具岛状形态的
Abstract: Two methods of the singular value decomposition (SVD) and the Bi-dimensional empirical mode decomposition (BEMD) were applied respectively in extraction of gravity anomalies associated with gold mineralization in the Tongshi gold orefield in this pa per. Conclusions drawn by the comparative study are as follows: (a) The two methods consistently reveal the ore-controlling factor in the Tongshi gold orefield on the basis of original gravity data: the Tongshi intrusion has a negative circular gravity anomaly and the ringed contact metasomatic mineralization zone around the Tongshi intrusion has a positive gravity anomaly. (b) The two methods consistently reveal the spatial relationship between the ore-controlling factors and various gold mineralizations: the skarn and porphyry types of gold deposits are located within the complex pluton and the Carlin and crypto -breccia types of gold deposits are situated within the contact metasomatic mineralization zone. (c) The image produced by BEMD not only reflects the structural features of the ore-controlling factor (Tongshi complex pluton) but also shows the distribution of other geological units in the Tongshi gold orefield such as the Mesozoic volcanic sedimentary basin in NW direction with obvious negative gravity anomaly and the concealed metamor-
第 30 卷第 5 期 2011 年 5 月
地质通报 GEOLOGICAL BULLETIN OF CHINA
Vol．30，No．5 May，2011
应用奇异值分解与二维经验模型分解 提取金矿化致矿重力异常
陈永清， 赵彬彬
CHEN Yong-qing, ZHAO Bin-bin
中国地质大学（北京）地球科学与资源学院，100083 北京 School of Earth & Mineral Resource, China University of Geosciences, Beijing 100083, China
收 稿 日 期 ：2011-03-03 ；修 订 日 期 ：2011-03-10 资助项目：国家自然科学基金项目《深层次致矿信息提取的非线性谱分析模型研究》（批 准 号 ： 40772197）、《数 据 挖 掘 与 找 矿 靶 区 资 源
潜力模拟非线性技术研究》（批准号：40972232）和国家高技术研究发展计划（863 计划）项目《基于 GIS“三联式”定量成矿预 测 方 法 技 术 研 究 》（编 号 ：2006BAB01A03) 作者简介：陈永清（1960-），男，教授，博士生导师，矿产普查与勘探，地球探测与信息技术专业。 E-mail：yqchen@