基于过滤器的连续型信息预测方法技术

一种基于过滤器的连续型信息预测方法，在多点地质统计法的基础上，使用过滤器来实现训练图像的降维，利用过滤器生成过滤器得分空间，所有具有相似过滤器得分的训练图案在过滤器得分空间内被归为一类，在预测过程中，属于一类的训练图案被随机提取，然后该图案被粘贴到待模拟区域。本发明专利技术将该方法应用于训练图像的结构特征信息的再现，该方法在预测连续型变量时效果较好。

【技术实现步骤摘要】

本专利技术涉及一种，可广泛应用于如医学、地质、气象和采矿等许多科学领域。
技术介绍
信息预测在很多领域发挥重要作用，如医学、地质和采矿业等。插值方法被广泛用 于信息预测。而插值方法主要分为两类"确定"性插值方法和"不确定"性插值方法。"确定" 性插值方法的插值形式、插值函数参数以及插值结果基本都是确定的。该方法主要包括距 离反比加权法、基函数法以及基于三角网格的方法等。"不确定"性插值方法的"不确定"性 一方面表现在选用的插值形式的随机性上，另一方面表现在插值参数的选取和确定需要依 赖于概率统计原则。"不确定"性插值方法主要有地质统计学中的kriging方法和随机模拟 方法。kriging和随机模拟方法全部是以描述空间两点相关性的变差函数(variogram)为 基础，它们被合称为基于两点的地质统计方法。而变差函数只能反映空间两点之间相关性 的这个特点使其难以重构一些复杂图形，例如长距离弯曲的曲线。 尽管有大量的插值方法被用于信息预测，但是精确信息预测在条件数据稀疏的情 况下依然很难实现。当条件数据很少甚至完全没有条件数据时，可以采用"不确定"性插 值方法的插值思想进行信息预测。由于传统两点地质统计法的不足，人们引入多点地质统 计法(MPS, multiple-point geostatistics)来预测复杂结构。通过再现高阶统计量，MPS 能够从训练图像中捕捉复杂的(非线性)特征样式并把它们复制到重构图像中，从而再现 图像的统计信息。MPS方法可以使用训练图像把先验模型明确而定量地引入到建模当中。 先验模型包含了被研究的真实物质中确信存在的样式，而训练图像则是该样式的定量化表 达，可以说训练图像中的概率信息决定了最终的模拟结果。训练图像可以被看为是一组存 在于待模拟区域内的重复特征信息。它们只是单纯概念上的信息模式的集合，在精度上这 些图像也许并不准确，而且不必符合一些条件数据分布。训练图像显示出预测信息如何相 互联系的先验结构模型。训练图像的获取途径很多，例如遥感图像，手绘结构图，地质露头 图像等等。有两种训练图像离散型变量图像(如图l所示)和连续型变量图像(如图2 所示)。 如图3和图4所示，是"三维数据模板"，它们是构建过滤器的基础，设数据模板为 Tn，它是由n个向量组成的几何形态，Tn=仏a ;a = l，2，...，n}。设模板中心位置为 u，模板其他位置u a = u+h a ( a = 1， 2， ， n)。 假定一种属性S可取K个状态值{sk ;k = 1，2， . . . ， K}。由数据模板中n个向量 u a位置的n个状态值所组成的"数据事件"dn定义为 dn={S (ua)=、； 其中S(Ua)表示在U。位置的状态值，利用数据模板扫描训练图像是为了统计一个数据事件dn出现的概率，即数据事件中的n个数据点S(Ul) ， S(u2) ， ， S(un)分别处于某5个状态值^a时该数据事件出现的概率。 最初的MPS只能模拟预测离散型变量，对连续型变量并不适用。假设，原始MPS方 法可以应用于连续型变量，那么其会被划分为多个独立状态值，这样会大大增加CPU和内 存的负担，这大大限制了 MPS的使用范围，使得MPS只适合应用于离散型变量的信息预测。 但是在真实信息预测中，连续型变量应用范围很广。
技术实现思路
本专利技术提供一种，用于预测连续型变量描述的 未知信息，在预测连续型变量时效果较好。 为了达到上述目的，本专利技术提供一种，在多点 地质统计法的基础上，使用过滤器来实现训练图像的降维，该方法包含以下步骤 步骤1、设置过滤器，定义过滤器得分； 过滤器与数据模板的结构相似，都是以节点U为中心，但是过滤器各个节点位置 具有一定的权值； 使用一个过滤器不能区分不同的图案，在二维情况下，使用6个过滤器，在三维情 况下，使用9个过滤器，每个过滤器被用来显示训练图案不同的特征； 在二维情况下，过滤器得分定义为m 一m《力',_/)= Z Z AOj)^("x，y +力， k = 1， ， 6"一m Jt=—m(2) ST,kT(i， j)表示过滤器得分，(i， j)表示以u为中心的数据模板中的坐标，fk(x， y)表示第k个过滤器，x和y在-m到m之间变换，T (i+x， j+y)表示在训练图像(i+x， j+y) 位置处的值，在X和Y方向的节点数目分别是2m+l ; 在三维情况下，过滤器得分定义为m2 附！ m] 《r (/,_/, A:)=艺艺艺/rO,>;,z)r(/ + x,_/ + :^，A: + z) ， r=1 ， . . . ， 9z=—m2户一/M! JC-—，(3) 在Z方向有2m2+l个节点，f Jx， y， z)表示定义于数据模板之上的第r个过滤器，数据模板的尺寸为n二 (2mi+l)2(2m2+l); 三维情况下，9个过滤器分别定义为 1、^过滤器求南-北方向均值；附i 该过滤器中所有权值都是正值，在过滤器XZ平面的中央区域的权值比较大，这样 可以突出被扫描的训练图案XZ平面的中心区域的特征； 2、 f2过滤器求东_西方向均值，可以将^过滤器的XZ平面旋转90度获得； /20,乂z)-卜凶e,K,，…,+mi (5) 附i6 3、^过滤器求上-下方向均值；I z|/3(x,y,z) = 1 —J~Le ,z = —w2"..,+w2附,(6)(7)缘检测(8)(9)该过滤器给出了上下方向的均值，突出了沿XY平面方向的图案中心区域；4、 f4过滤器求南_北方向梯度；f4(x，y，z)=y/miG，y = ii，...，+nii该过滤器中的权值从南端的1下降到北端的-l，该过滤器提供了南-北方向的边5、 f5过滤器求东_西方向梯度，可以将f4过滤器的XY平面旋转90度获得；f 5 ( x ， y ， z )x / m6、 f6过滤器求上-下方向梯度；f6(x， y， z)= z/m2 G7、 f7过滤器求南-北方向曲率；2|;Hmm+ m工+ m(10)附， 该过滤器中的权值在其北端为l，然后线性下降到中间部分的-l，之后权值再重新上升到南端的l，提供了南-北方向的曲率检测； 8、 f8过滤器求东-西方向曲率，可以将f7过滤器的XY平面旋转90度获得；/8(x,y,z)=2|x|附,(11) 9、fg过滤器求上-下方向曲率；/9(x,_y,z)=2|zm，(12) 与二维情况相比，三维情况下要增加三个过滤器上_下方向均值过滤器，上_下方向梯度过滤器，上-下方向曲率过滤器； 步骤2、应用过滤器扫描训练图像，形成训练图像的过滤器得分，得到模拟结果； 当扫描训练图像时，将过滤器置于训练图像上方游动，过滤器各位置权值和训练图像各点值相结合得到一个值，该值被称为"过滤器得分"，它是训练图像图案的一个"概要"，有助于实现降维； 步骤2. 1、过滤器被一个个地应用于扫描训练图像，训练图像的局部图案被每个过滤器描述，形成过滤器得分； 步骤2. 2、每个过滤器得分最终形成过滤器得分空间，得分空间中的每个点均对应一个训练图像的局部图案；7 步骤2. 3、划分过滤器得分空间； 训练图像中的相似图案被认为是位于一个"组"本文档来自技高网...

【技术保护点】
一种基于过滤器的连续型信息预测方法，其特征在于，在多点地质统计法的基础上，使用过滤器来实现训练图像的降维，该方法包含以下步骤：步骤１、设置过滤器，定义过滤器得分；过滤器与数据模板的结构相似，都是以节点ｕ为中心，过滤器各个节点位置具有权值；在二维情况下，使用６个过滤器，在三维情况下，使用９个过滤器，每个过滤器被用来显示训练图案不同的特征；在二维情况下，过滤器得分定义为：Ｓ↓［τ，ｋ］↑［Ｔ］（ｉ，ｊ）＝＊＊ｆ↓［ｋ］（ｘ，ｙ）Ｔ（ｉ＋ｘ，ｊ＋ｙ），ｋ＝１，．．．，６（２）Ｓ↓［τ，ｋ］↑［Ｔ］（ｉ，ｊ）表示过滤器得分，（ｉ，ｊ）表示以ｕ为中心的数据模板中的坐标，ｆ↓［ｋ］（ｘ，ｙ）表示第ｋ个过滤器，ｘ和ｙ在－ｍ到ｍ之间变换，Ｔ（ｉ＋ｘ，ｊ＋ｙ）表示在训练图像（ｉ＋ｘ，ｊ＋ｙ）位置处的值，在Ｘ和Ｙ方向的节点数目分别是２ｍ＋１；在三维情况下，过滤器得分定义为：Ｓ↓［τ，ｒ］↑［Ｔ］（ｉ，ｊ，ｋ）＝＊＊＊ｆ↓［ｒ］（ｘ，ｙ，ｚ）Ｔ（ｉ＋ｘ，ｊ＋ｙ，ｋ＋ｚ），ｒ＝１，．．．，９（３）在Ｚ方向有２ｍ↓［２］＋１个节点，ｆ↓［ｒ］（ｘ，ｙ，ｚ）表示定义于数据模板之上的第ｒ个过滤器，数据模板的尺寸为ｎ＝（２ｍ↓［１］＋１）↑［２］（２ｍ↓［２］＋１）；步骤２、应用过滤器扫描训练图像，形成训练图像的过滤器得分，得到模拟结果；当扫描训练图像时，将过滤器置于训练图像上方游动，过滤器各位置权值和训练图像各点值相结合得到一个值，该值被称为“过滤器得分”，它是训练图像图案的一个“概要”，有助于实现降维；步骤３、应用过滤器扫描待模拟区域，形成待模拟区域的过滤器得分；步骤４、定义待模拟区域中的待模拟节点的随机访问路径，获得待模拟节点的过滤器得分；步骤５、比较待模拟区域的过滤器得分和训练图案的过滤器得分，提取训练图案“粘贴”到待模拟区域中。...

【技术特征摘要】

【专利技术属性】
技术研发人员：杜奕，张挺，
申请(专利权)人：上海第二工业大学，
类型：发明
国别省市：31[中国|上海]