专利名称：基于过滤器的连续型信息预测方法
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。
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。 为了达到上述目的，本发明提供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，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 ， . . . ， 9
z=—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i
6
3、^过滤器求上-下方向均值；
I z|
/3(x,y,z) = 1 —J~Le [O,l],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[-l，l]，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 / m
6、 f6过滤器求上-下方向梯度；f6(x， y， z)= z/m2 G
7、 f7过滤器求南-北方向曲率；2|;H
m
m
+ 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|z
m，
(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"内，这些图案属于一类，这些组被称为"单元"，每个单元包含相近的过滤器图案。所有位于一个单元中的图案值被平均，得到一个值被称为"原型"，它可以代表这个单元中的图案。 一般地，一个过滤器得分空间被两次划分，划分是对该过滤器得分空间某维空间上等分而实现的，例如三维空间就在其XYZ方向中选择一个方向进行等分，以产生"单元"和"子单元"。"单元"和"子单元"就是训练图像和待模拟区域进行比较的单位。
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3. 1、过滤器被一个个地应用于扫描待模拟区域，待模拟区域的局部图案被每
个过滤器描述，形成过滤器得分； 步骤3. 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
一个待模拟区域的局部图案； 步骤3. 3、划分过滤器得分空间； 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； 随机访问路径的定义是由用户自己随机制定的，例如从上到下，从左到右等；
对于每个待模拟节点，根据过滤器获得待模拟节点(当前数据事件)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； 步骤5. 1、判断待模拟区域中是否存在条件数据，若否，则随机选定图案块，跳转到步骤5.3，若是，跳转到步骤5.2; 步骤5. 2、在训练图像所有的单元图像块中利用"距离函数"D1寻找与当前条件数据事件最为接近的图像块；D, (w0) = Z 爿ve I (w0 + ") - ; ra,0 (w) | ， 1 = 1 ， ， L
其中，d表示数据类型，共有3种条件数据 l、d = 1 :原始硬数据节点，它们被分配到距离其最近的模拟网格的节点位置上；
2、d = 2 :已经模拟过的节点，它们被用作硬数据； 3、d = 3 :通过"粘贴"训练图像的图像块而已知的节点，这些节点会被重新模拟；
" (d)是与三种条件数据相对应的三种权值，并且规定"(1) > " (2) > " (3)，可见原始硬数据节点和已经模拟过的节点在"距离函数"中的作用大于d = 3情况下对应的节点； datd(U。+U)表示待模拟区域的数据模板在u。+u位置的节点值；u表示模板内各向量的位置；Ave| I表示对所求的绝对值项求均值；每个非空的"单元"可以被称为一个"得分类"；1是某个得分类序号，L是全部得分类数目； 在"距离函数"A中只是对于那些已知的n'(《n)个节点进行计算，确定与条件数据事件cU差别最小的图案块类； 步骤5. 3、从选定的图案类中随机提取出一个图案(命名为"片")，然后将该图案"片""粘贴"到以当前模拟节点为中心的待模拟区域上。 本发明用于预测连续型变量描述的未知信息，过滤器可以实现降维的目的，利用过滤器可以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。
图1是背景技术中离散型变量图像的训练图像示意图； 图2是背景技术中连续型变量图像的训练图像示意图； 图3和图4是背景技术中的数据模板； 图5为通过二维过滤器获得过滤器得分的过程； 图6为在二维空间内利用两步划分法的示意图； 图7为一幅连续型训练图像的外表面； 图8为一幅连续型训练图像的截面图(X = 65， Y = 65， Z = 15); 图9为图7和图8中所示的训练图像的直方图，显示了连续型变量的分布； 图10为无条件数据情况下连续型MPS方法的预测图像的外表面； 图11为无条件数据情况下连续型MPS方法的预测图像的截面图(X = 65，Y = 65，
Z = 15); 图12为图11和图12所示的无条件数据情况下预测结果的直方图； 图13为从训练图像抽取的采样点的示意图； 图14为采用连续型MPS方法和采样点的预测图像的外表面； 图15为采用连续型MPS方法和采样点的预测图像的截面图(X = 65，Y = 65，Z =
15); 图16为图14和图15中采用连续型MPS方法和采样点的预测图像直方图； 图17为采用连续型kriging方法的预测图像的外表面； 图18为采用连续型kriging方法的预测图像的截面图(X = 65， Y = 65， Z = 15); 图19为图17和图18中kriging预测结果的直方图。
具体实施例方式
以下根据图5 图19，具体说明本发明的较佳实施例 图5表示利用一个15X15像素的过滤器扫描一个局部图案，可以获得该局部图案的"过滤器得分"，这个值会被赋给该图案的中心位置。 图6是采用"两步划分法"对一个二维"过滤器得分"空间进行划分后的示意图。第一步划分中划分的等分数M = 3，用实线表示；第二步划分用虚线表示，此时cmin = 4，cmax=8(得分类中的最大的图案数目是c^，最小的图案数目是c^)。每个分值点对应一个训练图像中的局部图案，用黑色实心点表示。S工和S2分别表示两个过滤器得分的最大值。
图7和图8是一幅连续型训练图像(80X80X40体素)，连续型变量的值在0到1之问变化。训练图像可以被视为包含待模拟结构的信息模型。图7和图8分别表示训练图像的外表面和截面(X = 65，Y = 65，Z = 15)。图9表示训练图像的直方图，显示了连续型变量的分布。训练图像的均值为0. 1298，方差值为0. 0417。 在本实施例中，首先在无条件数据情况下将本方法应用于预测未知区域
(80X80X40体素)，预测结果见图10和图ll，对应的直方图分布见图12。 在本实施例中，使用一些随机采样点作为条件数据来进行预测。这些采样点从训
练图像中随机抽取，均值为0. 1267，占整个待模拟区域全部信息点的0. 5%，如图13所示，
背景设为黑色突出采样点的显示效果。 在采样点情况下，采用本方法生成的预测结果外表面如图14所示，截面(X = 65，Y = 65， Z = 15)如图15所示。该预测结果的直方图如图16所示。 在本实施例中，比较图9，图12和图16的直方图可知，连续型变量的信息分布被较好地保留了。在图10、图11与图14、图15中的图像结构类似于训练图像。预测结果的均值和方差值如表l所示，显示出预测结果和训练图像之间的相似性。然而，与无条件数据时的情况相比，使用条件数据时的均值和方差与训练图像的均值和方差较为接近。
训练图像使用条件数据时无条件数据时
均值0.12980. 12240.1400
方差0. 04170. 03500.0229 请参见图17 图19，是本方法与kriging插值方法比较的方案。
在本实施例中，利用kriging插值进行实验对比。图13所示的采样点作为kriging插值的条件数据。插值结果的外表面如图17所示，截面(X = 65，Y = 65，Z = 15)如图18所示，可见与训练图像差别较大。kriging预测结果的均值为O. 5258，方差为0. 1219。直方图如图19所示，与训练图像直方图差异很大。上述实验结果证明kriging方法预测结果与训练图像差距较大，因此预测连续型变量时，使用本方法具有优势。 本发明的基于过滤器的连续型信息预测方法，预测连续型未知信息实施例在本质上属于图像可视化的范畴。这项技术可以广泛应用于地球科学、生物学和医学等很多领域。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
权利要求
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 <mrow><msubsup> <mi>S</mi> <mrow><mi>τ</mi><mo>,</mo><mi>k</mi> </mrow> <mi>T</mi></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mo>-</mo><mi>m</mi> </mrow> <mi>m</mi></munderover><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mo>-</mo><mi>m</mi> </mrow> <mi>m</mi></munderover><msub> <mi>f</mi> <mi>k</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mi>T</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>x</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>y</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>k＝1，...，6 (2)Sτ，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+1；在三维情况下，过滤器得分定义为 <mrow><msubsup> <mi>S</mi> <mrow><mi>τ</mi><mo>,</mo><mi>r</mi> </mrow> <mi>T</mi></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>z</mi><mo>=</mo><mo>-</mo><msub> <mi>m</mi> <mn>2</mn></msub> </mrow> <msub><mi>m</mi><mn>2</mn> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mo>-</mo><msub> <mi>m</mi> <mn>1</mn></msub> </mrow> <msub><mi>m</mi><mn>1</mn> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mo>-</mo><msub> <mi>m</mi> <mn>1</mn></msub> </mrow> <msub><mi>m</mi><mn>1</mn> </msub></munderover><msub> <mi>f</mi> <mi>r</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo></mrow><mi>T</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>x</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>y</mi> <mo>,</mo> <mi>k</mi> <mo>+</mo> <mi>z</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>r＝1，...，9(3)在Z方向有2m2+1个节点，fr(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＝(2m1+1)2(2m2+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。
2. 如权利要求1所述的基于过滤器的连续型信息预测方法，其特征在于，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；<formula>formula see original document page 2</formula>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，将^过滤器的XZ平面旋转90度获得； <formula>formula see original document page 2</formula>附！ 1 1(3) 、 f3过滤器求上_下方向均值；<formula>formula see original document page 3</formula> 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；<formula>formula see original document page 3</formula>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_北方向的边缘检(5) 、 f5过滤器求东_西方向梯度，将f4过滤器的XY平面旋转90度获得；<formula>formula see original document page 3</formula>(6) 、 f6过滤器求上_下方向梯度；<formula>formula see original document page 3</formula>(7) 、 f7过滤器求南_北方向曲率； <formula>formula see original document page 3</formula>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1 ，提供了南_北方向的曲率检测；(8) 、 f8过滤器求东_西方向曲率，将f7过滤器的XY平面旋转90度获得；<formula>formula see original document page 3</formula>(9) 、 f9过滤器求上_下方向曲率；<formula>formula see original document page 3</formula>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。
3. 如权利要求1所述的基于过滤器的连续型信息预测方法，其特征在于，所述的步骤2包含以下步骤步骤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；步骤2. 3、划分过滤器得分空间。
4. 如权利要求1所述的基于过滤器的连续型信息预测方法，其特征在于，所述步骤3包 含以下步骤步骤3. 1、过滤器被一个个地应用于扫描待模拟区域，待模拟区域的局部图案被每个过 滤器描述，形成过滤器得分；步骤3. 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 待模拟区域的局部图案；步骤3. 3、划分过滤器得分空间。
5. 如权利要求3或4所述的基于过滤器的连续型信息预测方法，其特征在于，所述训练 图像和待模拟区域中的相似图案被认为是位于一个"组"内，这些图案属于一类，这些组被称为"单元"，每个单元包含相近的过滤器图案，所有位于一个单元中的图案值被平均，得到一个值被称为"原型"，它可以代表这个单元中的图案；一个过滤器得分空间被两次划分，划分是对该过滤器得分空间某维空间上等分而实现的，三维空间就在其XYZ方向中选择一个方向进行等分，以产生"单元"和"子单元"，"单元"和"子单元"就是训练图像和待模拟区域进行比较的单位。
6. 如权利要求1所述的基于过滤器的连续型信息预测方法，其特征在于，所述步骤4中，随机访问路径是由用户自己随机制定的，例如，从上到下，或者，从左到右。
7. 如权利要求1所述的基于过滤器的连续型信息预测方法，其特征在于，所述步骤5包含以下步骤步骤5. 1、判断待模拟区域中是否存在条件数据，若否，则随机选定图案块，跳转到步骤5.3，若是，跳转到步骤5.2 ;步骤5. 2、在训练图像所有的单元图像块中利用"距离函数"D1寻找与当前条件数据事件最为接近的图像块；A("。)二^^(d)Jvel必G("。+w) —/^of(')(w)1， 1 = 1， ， L其中，d表示数据类型，共有3种条件数据1、 d = 1 :原始硬数据节点，它们被分配到距离其最近的模拟网格的节点位置上；2、 d = 2 :已经模拟过的节点，它们被用作硬数据；3、 d = 3 :通过"粘贴"训练图像的图像块而已知的节点，这些节点会被重新模拟；"(d)是与三种条件数据相对应的三种权值，并且规定"(1) > " (2) > " (3)，可见原始硬数据节点和已经模拟过的节点在"距离函数"中的作用大于d = 3情况下对应的节点；datd(u。+u)表示待模拟区域的数据模板在u。+u位置的节点值；u表示模板内各向量的位置；Avel I表示对所求的绝对值项求均值；每个非空的"单元"可以被称为一个"得分类"；1是某个得分类序号，L是全部得分类数目；在"距离函数"^中只是对于那些已知的n'(《n)个节点进行计算，确定与条件数据事件cU差别最小的图案块类；步骤5.3、从选定的图案类中随机提取出一个图案(命名为"片")，然后将该图案"片""粘贴"到以当前模拟节点为中心的待模拟区域上。
全文摘要
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。
文档编号G06K9/62GK101727578SQ200910199668
公开日2010年6月9日 申请日期2009年11月30日 优先权日2009年11月30日
发明者张挺, 杜奕 申请人:上海第二工业大学