[发明专利]基于过滤器的连续型信息预测方法

说明书

技术领域

本发明涉及一种基于过滤器的连续型信息预测方法，可广泛应用于如医学、地质、气象和采矿等许多科学领域。

背景技术

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1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τn，它是由n个向量组成的几何形态，τn＝{hα；α＝1，2，...，n}。设模板中心位置为u，模板其他位置uα＝u+hα(α＝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uα位置的n个状态值所组成的“数据事件”dn定义为：

dn={S(uα)=skα;α=1,2,...,n}---(1)]]>

其中S(u_α)表示在u_α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d_n出现的概率，即数据事件中的n个数据点S(u₁)，S(u₂)，...，S(u_n)分别处于某个状态值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。

发明内容

本发明提供一种基于过滤器的连续型信息预测方法，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。