西班牙科学家协作撰写新论文可持续性应用机器学习考古学 关键问题像确定人工源码和可持续性
学习方式 :监督机器学习算法预测考古文摘分片.Image Credit: Masarik/Shutterstock.com
提高考古学的证明和可持续性
考古学是一个关键科学领域 揭示过去的秘密 帮助填补历史知识空白领域成熟化,但仍有挑战需要克服,以进一步改进考古挖掘并提供数据增强历史记录中发现背景
考古学领域关键题与人工出处和可持续性相关考古挖掘中最常用文物是陶器碎片,它能提供丰富的信息,包括年龄、文化连接证据、知识交换和生产技术
成形学全分支调查人工品的生理和地球化学分析,主要是陶器碎片,以显示它们的出处定型测量法应用科技研究领域
粘土采样点地质图(pink点)和考古点(blue点)主要分布Sarria-Sant Gervasi和CiutatVella区地质基图从GIC修改右上角显示地理图,显示每个特征生产中心(红点)和三个考古遗址(黄点)的位置
可持续性问题
考古发现不仅发生在时间段上,还发生在现代世界和中间历史段上。农耕、建设和都市化等活动使源码问题复杂化,并使考古挖掘和数据的可持续性问题更加复杂化。
此外,开发新方法分析技巧和数字工具使数据集成指数增长通常这不是人类活动其他领域的问题,而在考古学方面,它使领域经济可持续性复杂化。
提高考古可持续性路线包括推广数据标准化、开放数据、数据共享和数据回收推广这些方法可最大限度地减少考古学和考古学分析所需分析量
当前方法
验证研究需要参考组定义参考样本对这些研究至关重要,但在考古学领域,不同作者很少使用这些样本。常用检索人工资料方法包括石化和化学方法或两者并用两者都用于孤立研究 和多项研究 由研究组
大数据集使用中子激活分析法和X射线荧光法等方法生成处理大数据集通常需要统计方法应用
常规统计分析方法包括层次集群分析及主组件分析或无人监督集群方法诸如散射剖面图、颜色和X射线分片等其他类型分析数据可用这些不受监督方法处理
然而,这些不受监督方法无法轻易区分相匹配数据类别与特征相似的出处网站密钥题是数据分类前不贴标签对比之下,监督方法更强和适当方法这些方法的关键好处是它们从培训数据集学习的能力和对参考样本出处的更好了解
高山市a/CCA前两大元素分数图 所有引用样本 95%置信省略内置:CPAbiplot最相关变量高山市b/图像感知:Aglisano,A et al.,Sustainable
研究
新报插播可持续性探索机器学习提高源码知识并继而持续考古调查机器学习是一个快速增长的科学努力领域,越来越多地用于考古学
深学习方法,特别是深卷积网络显示通过分析图像识别模式的日益精度这些做法已成功应用到遥感定位和人工品分类中。分类标准包括形态学和陶器碎片刻画
论文展示机器学习方法使用化学分析提供陶器碎片关键出处信息的适当性研究使用西班牙六个站点的化学数据集参考数据集扩展至巴塞罗那产生陶器碎片的站点
歧视模型经过培训优化,以提供西班牙加泰罗尼亚区域陶器样本精确出处信息此外,训练机学习模型可应用到同一区域的其他网站。研究的主要目的是评价受监督模型如何比不受监督方法表现得更好。
研究的另一个焦点是扩展监督聚类算法方法,为考古学领域提供增强出处能力这将有助于考古界轻松实施机器学习方法并远离传统不受监督方法
二步进程图图(模型调试和预测)用R代码执行“超证明分析”,产生未知证明样本的出处概率图像感知:Aglisano,A等
研究表明受监督模型的精度为可接受度作者建议使用高量参考样本,同时提供改进算法培训,将是一种不可持续的方法。推荐使用小平衡参考样本数
从长远看,介绍方法如果泛泛化,可减少分析量,为陶器碎片等人工品提供精确出处信息等特定区域实现详尽参考记录后,考古学家只需分析未知样本而无需参考样本这将提高考古调查的可持续性
继续阅读
Anglisano,A等监督机器学习算法预测考古文摘分片可持续性14(18)1114mdpi.com可用地址 :https://www.mdpi.com/2071-1050/14/18/11214
免责声明:此处表达的观点是作者以私人身份表达的观点,不一定代表AZOM.com LimitedT/AAAAZNetwork这个网站所有者与运营者的观点免责声明构成条件与条件使用网站