[发明专利]基于深度学习的空间数据随机模拟方法

说明书

技术领域

本发明涉及图像处理技术，特别是涉及一种基于深度学习的空间数据随机模拟方法的技术。

背景技术

空间数据的不确定性普遍存在于自然界和人类社会中，同时起着至关重要的作用。现实生活中的不确定性空间数据，既有来自科学试验的，也有来自生产实践的，其格式与特征是包罗万象。

目前，数据插值成为获取不确定性空间数据的一个有效手段。数据插值就是利用所研究的数据中的散乱采样信息，对未采样点处的属性值以一定的物理、数学等有效合理的法则进行估计，以期形成一个完整的属性连续分布的数据模型。插值方法大体可分为“确定”性插值方法和“不确定”性插值方法。

不确定性插值方法的一个重要分支是MPS方法(多点地质统计法)，MPS方法通过再现高阶统计量，能够从训练图像中提取复杂的(非线性)特征样式并把它们复制到插值图像中，从而获得最终模拟结果，但是MPS方法的结构特征提取能力较差，从而影响了最终的模拟质量。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种能提升随机模拟质量的基于深度学习的空间数据随机模拟方法。

为了解决上述技术问题，本发明所提供的一种基于深度学习的空间数据随机模拟方法，其特征在于，具体步骤如下：

1)构建一个深度信念网络，并设定一条MPS随机模拟的数据模拟路径，及一条扫描训练数据的数据扫描路径；

如果训练图像中存在着条件数据，则将训练图像中的条件数据分布到深度信念网络的各个网格点上；

2)利用数据模板方法，按照步骤1)中定义的数据扫描路径对训练图像进行扫描，建立一个包含有训练图像中的数据事件的训练图像模式库；

3)采用深度信念网络的深度学习方法提取训练图像模式库中的图像本质结构特征；

4)利用聚类算法对步骤3提取的图像本质结构特征进行分类；

5)采用MPS模拟方法，按照步骤1)中定义的数据模拟路径对训练图像的模拟目标区域进行MPS模拟；

6)查找模拟目标区域是否还存在未知像素点，如果还存在未知像素点则转至步骤7)，反之则转至步骤10)；

7)查找模拟目标区域内是否还存在条件数据，如果还存在条件数据则转至步骤8)，反之则转至步骤9)；

8)从步骤4)的各个分类中，找出与模拟目标区域的当前数据事件的欧式距离最小的分类，并从该分类中随机提取一个数据事件，并将提取出的数据事件复制到模拟目标区域的当前数据事件位置，然后再转至步骤6)；

9)从训练图像模式库中随机提取一个数据事件，并将提取出的数据事件复制到模拟目标区域的当前数据事件位置，然后再转至步骤6)；

10)训练图像的模拟结束。

本发明提供的基于深度学习的空间数据随机模拟方法，利用深度学习强大的提取特征能力，将其引入到MPS中提取训练图像的结构特征，能提升MPS随机模拟质量。

附图说明

图1是深度信念网络的结构示意图；

图2是本发明实施例的基于深度学习的空间数据随机模拟方法的流程图。

具体实施方式

以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围，本发明中的顿号均表示和的关系。

如图2所示，本发明实施例所提供的一种基于深度学习的空间数据随机模拟方法，其特征在于，具体步骤如下：

1)构建一个深度信念网络，并设定一条MPS随机模拟的数据模拟路径，及一条扫描训练数据的数据扫描路径；

如果训练图像中存在着条件数据，则将训练图像中的条件数据分布到深度信念网络的各个网格点上；