变异函数套合模型参数估计方法、装置、设备及存储介质制造方法及图纸

本发明专利技术属于地理统计学技术领域，公开了一种变异函数套合模型参数估计方法、装置、设备及存储介质。该方法包括：获取待研究对象对应的样本信息；基于变异函数公式，确定样本信息对应的第一变异函数值；根据第一变异函数值，确定待研究对象对应的套合模型、套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度；根据待估参数的个数、以及各待估参数对应的取值范围和参数精度，确定目标神经网络模型；根据目标神经网络模型、第一变异函数值和样本信息中的滞后距离，确定各待估参数对应的权重值；根据各待估参数对应的权重值，确定各待估参数对应的估计值。通过上述方式，能够简单、快速的对复杂的套合模型参数进行估计。

Parameter Estimation Method, Device, Equipment and Storage Medium of Variogram Nesting Model

【技术实现步骤摘要】
变异函数套合模型参数估计方法、装置、设备及存储介质
本专利技术涉及地理统计学
，尤其涉及一种变异函数套合模型参数估计方法、装置、设备及存储介质。
技术介绍
地理统计学及其各克里金法(Krigingmethod)作为目前进行空间变量插值或随机模拟的主要手段，已广泛应用于地质、矿山、土壤、生态等涉及自然资源分布的研究领域。变异函数作为反映区域变量空间结构特征的工具，在地理统计学中占有非常重要的地位。然而，目前对于变异函数套合模型参数的估计大多是通过拟合方法、精度和稳健性做了多方面的研究，目前主要的方法有最小二乘法、加权回归多项式、线性规划法、目标规划法等。但是这些方法大多仅着眼于单个的球状模型，即仅能实现单一理论的参数估计，难以对复杂的套合模型参数进行估计。上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
本专利技术的主要目的在于提供一种变异函数套合模型参数估计方法、装置、设备及存储介质，旨在解决现有技术无法简单、快速的实现对复杂的套合模型参数进行估计的技术问题。为实现上述目的，本专利技术提供了一种变异函数套合模型参数估计方法，所述方法包括以下步骤:获取待研究对象对应的样本信息；基于变异函数公式，确定所述样本信息对应的第一变异函数值；根据所述第一变异函数值，确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度；根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度，确定目标神经网络模型；根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离，确定所述套合模型中各待估参数对应的权重值；根据所述套合模型中各待估参数对应的权重值，确定所述套合模型中各待估参数对应的估计值。优选地，所述根据所述第一变异函数值，确定所述待研究对象对应的套合模型的步骤，包括：根据所述第一变异函数值，绘制经验半方差散点图；将所述经验半方差散点图与预先构建的套合模型库中预设套合模型对应的形状特征图进行比较，将与所述经验半方差散点图匹配度符合预设条件的预设套合模型作为所述待研究对象对应的套合模型。优选地，所述根据所述第一变异函数值，确定各待估参数对应的取值范围和参数精度的步骤，包括：根据所述经验半方差散点图中的上极值和下极值，确定所述套合模型中各待估参数对应的取值范围和参数精度。优选地，所述根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度，确定目标神经网络模型的步骤，包括：根据所述套合模型中各待估计参数对应的取值范围和参数精度，确定所述套合模型中各待估参数对应的长度；对所述套合模型中各待估参数对应的长度进行二进制编码处理，得到所述套合模型中各待估参数对应的二进制码；根据所述套合模型中各待估参数对应的二进制码的位数，确定所述套合模型中各待估参数对应的神经元个数；根据所述待估参数的个数，确定所述目标神经网络模型的层数；根据所述套合模型中各待估参数对应的神经元个数，确定所述目标神经网络模型中各网络层的神经元个数；将确定的层数作为第一筛选条件，各网络层的神经元个数作为第二筛选条件，从预先构建的神经网络模型库中查找符合所述第一筛选条件和所述第二筛选条件的预设神经网络模型，并将查找到的预设神经网络模型作为所述目标神经网络模型。优选地，所述根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离，确定所述套合模型中各待估参数对应的权重值的步骤，包括：将所述滞后距离作为输入参数，输入到所述目标神经网络模型中，得到第二变异函数值；将所述第二变异函数值与所述第一变异函数值进行比较，若所述第二变异函数值与所述第一变异函数值相同，则获取所述目标神经网络模型中各待估参数对应的网络层的权重值，并将获取到的权重值作为对应的待估参数的权重值。优选地，所述将所述滞后距离作为输入参数，输入到所述目标神经网络模型中，得到第二变异函数值的步骤之前，所述方法还包括：对所述目标神经网络模型进行初始化，得到二值化神经网络模型；其中，所述将所述滞后距离作为输入参数，输入到所述目标神经网络模型中，得到第二变异函数值的步骤，包括：将所述滞后距离作为输入参数，输入到所述二值化神经网络模型中，得到第二变异函数值。优选地，所述根据所述套合模型中各待估参数对应的权重值，确定所述套合模型中各待估参数对应的估计值的步骤，包括：对所述套合模型中各待估参数对应的权重值进行解码处理，得到所述套合模型中各待估参数对应的参数估值结果；将所述套合模型中各待估参数对应的参数估值结果作为所述套合模型中各待估参数对应的估计值。此外，为实现上述目的，本专利技术还提出一种变异函数套合模型参数估计装置，所述装置包括：获取模块，用于获取待研究对象对应的样本信息；第一确定模块，用于基于变异函数公式，确定所述样本信息对应的第一变异函数值；第二确定模块，用于根据所述第一变异函数值，确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度；第三确定模块，用于根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度，确定目标神经网络模型；第四确定模块，用于根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离，确定所述套合模型中各待估参数对应的权重值；第五确定模块，用于根据所述套合模型中各待估参数对应的权重值，确定所述套合模型中各待估参数对应的估计值。此外，为实现上述目的，本专利技术还提出一种变异函数套合模型参数估计设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的变异函数套合模型参数估计程序，所述变异函数套合模型参数估计程序配置为实现如上文所述的变异函数套合模型参数估计方法的步骤。此外，为实现上述目的，本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有变异函数套合模型参数估计程序，所述变异函数套合模型参数估计程序被处理器执行时实现如上文所述的变异函数套合模型参数估计方法的步骤。本专利技术提供的变异函数套合模型参数估计方案，通过预先构建目标神经网络模型，从而在获取到待研究对象对应的样本信息后，根据样本信息确定对应的第一变异函数值、所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度，进而根据确定的待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度，从预先构建的目标神经网络模型中选取一个适合当前研究对象的目标神经网络模型，然后根据确定的目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离，确定所述套合模型中各待估参数对应的权重值，最终根据所述套合模型中各待估参数对应的权重值，确定所述套合模型中各待估参数对应的估计值。由于神经网络模型具有自我学习的能力，即对未覆盖到的待处理数据也可以通过自我学习，给出一个较为精致的结果，因而通过这种基于神经网络模型估计变异函数对应的套合模型中待估参数对应的估计值的方式，能够快速且精准的实现了对复杂套合模型中待估参数的估计。附图说明图1是本专利技术实施例方案涉及的硬件运行环境的变异函数套合模型参数估计设备的结构示意图；图2为本专利技术变异函数套合模型参数估计方法第一本文档来自技高网...

【技术保护点】
1.一种变异函数套合模型参数估计方法，其特征在于，所述方法包括以下步骤：获取待研究对象对应的样本信息；基于变异函数公式，确定所述样本信息对应的第一变异函数值；根据所述第一变异函数值，确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度；根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度，确定目标神经网络模型；根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离，确定所述套合模型中各待估参数对应的权重值；根据所述套合模型中各待估参数对应的权重值，确定所述套合模型中各待估参数对应的估计值。

【技术特征摘要】
1.一种变异函数套合模型参数估计方法，其特征在于，所述方法包括以下步骤：获取待研究对象对应的样本信息；基于变异函数公式，确定所述样本信息对应的第一变异函数值；根据所述第一变异函数值，确定所述待研究对象对应的套合模型、所述套合模型中待估参数的个数、以及各待估参数对应的取值范围和参数精度；根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度，确定目标神经网络模型；根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离，确定所述套合模型中各待估参数对应的权重值；根据所述套合模型中各待估参数对应的权重值，确定所述套合模型中各待估参数对应的估计值。2.如权利要求1所述的方法，其特征在于，所述根据所述第一变异函数值，确定所述待研究对象对应的套合模型的步骤，包括：根据所述第一变异函数值，绘制经验半方差散点图；将所述经验半方差散点图与预先构建的套合模型库中预设套合模型对应的形状特征图进行比较，将与所述经验半方差散点图匹配度符合预设条件的预设套合模型作为所述待研究对象对应的套合模型。3.如权利要求2所述的方法，其特征在于，所述根据所述第一变异函数值，确定各待估参数对应的取值范围和参数精度的步骤，包括：根据所述经验半方差散点图中的上极值和下极值，确定所述套合模型中各待估参数对应的取值范围和参数精度。4.如权利要求1至3任一项所述的方法，其特征在于，所述根据所述待估参数的个数、以及所述套合模型中各待估参数对应的取值范围和参数精度，确定目标神经网络模型的步骤，包括：根据所述套合模型中各待估计参数对应的取值范围和参数精度，确定所述套合模型中各待估参数对应的长度；对所述套合模型中各待估参数对应的长度进行二进制编码处理，得到所述套合模型中各待估参数对应的二进制码；根据所述套合模型中各待估参数对应的二进制码的位数，确定所述套合模型中各待估参数对应的神经元个数；根据所述待估参数的个数，确定所述目标神经网络模型的层数；根据所述套合模型中各待估参数对应的神经元个数，确定所述目标神经网络模型中各网络层的神经元个数；将确定的层数作为第一筛选条件，各网络层的神经元个数作为第二筛选条件，从预先构建的神经网络模型库中查找符合所述第一筛选条件和所述第二筛选条件的预设神经网络模型，并将查找到的预设神经网络模型作为所述目标神经网络模型。5.如权利要求1至3任一项所述的方法，其特征在于，所述根据所述目标神经网络模型、所述第一变异函数值和所述样本信息中的滞后距离，确定所述套合模型中各待估参数对应的权重值的步骤，包括：将所述滞后...

【专利技术属性】
技术研发人员：张聪，刘宇，王松，陈方，张俊杰，樊翔宇，曹文琪，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：湖北,42