专利名称：一种数据处理方法和装置的制作方法
ー种数据处理方法和装置
技术领域：
本发明涉及计算机领域，特别涉及ー种大規模数据处理方法和装置。
背景技木超材料技术是ー个前沿性交叉科技，其设计的技术领域包括了电磁、微波、太赫兹、光子、先进的工程设计体系、通信、半导体等范畴。其核心思想是利用复杂的人造微结构设计与加工实现人造“原子”以对电磁场或者声纳进行响应。其核心理论是描述电磁波轨迹与超材料特性的变形光学。该技术的一大核心难点在于如何建模设计成千上万个相互不同的人造微结构并按照合理的排布组成ー个具有特殊功能性的超材料器件。这对建模、计算、理论分析、设计、调试都带来了极大的困难。由于超材料所提供的特殊功能，这都是取决于它异常复杂的单元微结构，每个由 微结构所组成的単元结构都可以由ー个參数组来定义，每个參数组包含多个属性參数，例如単元微结构的长、宽、高、厚度、介电常数、材料材质等。其电磁响应參数是多维的，每改变ー个属性參数都将改变其最終的电磁响应曲线。如果需要ー种超材料単元结构体，该单元结构体必须符合预先设定的对某ー频率的电磁响应曲线，传统的做法是通过手动逐一改变人造微结构属性參数，测试某一频率的电磁波通过该人造微结构后的电磁响应函数,并与目标电磁响应函数进行对比，如此不断循环，最終找到与目标电磁响应函数最为相近的人造微结构属性參数；或者需要知道设计出来的ー种材料单元结构体对某ー频率的电磁响应曲线是怎么样的，传统的做法也只能是通过手动测试绘制。可想而知，在现有技术中，已知超材料单元结构体的參数求电磁响应曲线，或者已知电磁响应曲线求超材料单元结构体的參数，工作效率非常低，不能高效、快速地获取超材料単元结构体的參数与对应的电磁响应曲线的映射关系，从而阻碍超材料大規模应用。
发明内容本发明提供ー种数据处理方法和装置，能实现预测超材料的単元结构几何參数及对应的电磁响应曲线三次样条系数之间的映射关系。ー种数据处理方法，包括获取训练样本，并初始化狄里克雷过程和高斯过程，该训练样本包括単元结构几何參数及对应的电磁响应曲线三次样条系数；根据训练样本，获取高斯过程參数的最大后验似然值对应的最大高斯过程參数和最大高斯过程參数对应的区域划分；根据最大高斯过程參数和最大高斯过程參数对应的区域划分，拟合单元结构几何參数及对应的电磁响应曲线三次样条系数的映射关系。本发明提供的ー种数据处理装置，包括第一获取模块用于获取训练样本，该训练样本包括単元结构几何參数及对应的电磁响应曲线三次样条系数；初始化模块，用于初始化狄里克雷过程和高斯过程；第二获取模块用于根据第一获取模块获取的训练样本，获取高斯过程參数的最大后验似然值对应的最大高斯过程參数和所述最大高斯过程參数对应的区域划分；映射关系拟合模块用于根据第二获取模块获取的最大高斯过程參数和该最大高斯过程參数对应的区域划分，拟合单元结构几何參数及对应 的电磁响应曲线三次样条系数的映射关系；第三获取模块，用于根据外部输入的単元结构几何參数和映射关系拟合模块拟合的映射关系，获取外部输入的単元结构几何參数对应的电磁响应曲线三次样条系数。在本发明实施例中，通过建立单元结构几何參数及对应的电磁响应曲线三次样条系数之间关系的狄里克雷过程和高斯过程的混合非參统计回归数学模型，通过对训练样本的学习以及大量的数学计算，最后得出最接近真实的单元结构几何參数和对应的电磁响应曲线三次样条系数之间的映射关系，在具体运用时，只要已知单元结构几何參数，就可以估计出非常接近的电磁响应曲线三次样条系数，从而可知对应的电磁响应曲线。
图I是本发明实施例一数据处理方法的数据流程图；图2是本发明实施例ニ数据处理方法的数据流程图；图3是本发明实施例三数据处理装置的逻辑结构示意图；图4是本发明实施例四数据处理装置的逻辑结构示意图。
具体实施方式下面结合附图和实施例对本发明进行详细说明。请參阅图1，本发明实施例数据处理方法第一实施例包括101、获取训练样本，并初始化狄里克雷过程參数和高斯过程參数，其中训练样本包括单元结构几何參数及对应的电磁响应曲线三次样条系数；选定狄里克雷过程(DirichletProcesses)与高斯过程(Gaussian Processes)的混合非參统计回归模型为描述超材料単元结构几何參数及对电磁波的响应曲线三次样条系数之间关系的数学模型；将已测量的单元结构几何參数及与之对应的对电磁波的响应曲线三次样条系数作为训练样本；对每个训练样本给定ー个区域标识符，此标识符指定了该训练样本所被划分到的区域，初始化每个标识符随机分布到若干区域，其中区域个数不限，可以是无穷多个；运用狄里克雷过程中的断棍方法(stick breaking),通过贝塔(beta)分布生成姆个区域出现的概率；选定中值函数、核函数以及似然值函数形式，初始化高斯过程參数，该參数包括中值函数參数、核函数參数、似然值函数參数，其中似然值函数參数主要为噪声方差；其中，每个区域标识符对应ー个区域，每个区域对应ー个高斯过程，每个训练样本在一个给定的高斯过程进行处理；
102、根据步骤101中获取的训练样本，获取高斯过程參数的最大后验似然值对应的最大高斯过程參数和最大高斯过程參数对应的区域划分；首先通过计算得到的每个训练样本在每个区域内的高斯似然值，以及通过狄里克雷过程产生的每个区域出现的可能性，获取每个训练样本在每个区域的后验概率，并计算该后验概率的累积概率分布，通过块吉布斯采样(block gibbs sampling)方法得到训练样本新的所在的区域的标识符，即确定了每个训练样本所在的区域；用梅特罗波利斯-黑斯廷斯(Metropolis-Hasting)算法更新姆个区域内的高斯过程參数，并计算训练样本在对应的高斯过程的參数下的边缘相似性，该边缘相似性为该高斯过程參数的似然值；然后计算该高斯过程的參数的先验概率，其中，该高斯过程的參数的先验概率是根据预先设置的先验概率分布来计算的，比如伽马(ga_a)分布；再将获取的高斯过程參数的似然值与该高斯过程的參数的先验概率相乘，得到该高斯过程的參数的后验概率，记录每次循环得到的每个高斯过程的參数的后验概率；用自适应剔除采样(adaptive rejection sampling)方法更新狄里克雷过程的參数；根据更新后的每个高斯过程參数和狄里克雷过程參数，再去更新每个训练样本在每个区域的后验概率，根据更新后的每个训练样本在每个区域的后验概率的累积概率分布，为每个训练样本更新区域标识符；然后更新每个高斯过程的參数的后验概率，更新狄里克雷过程的參数，依次循环，直至马尔可夫链趋于稳定，稳定意味着循环了足够多次，例如可以设置循环2000次；103、根据步骤102中获取的最大高斯过程參数和最大高斯过程參数对应的区域划分，拟合单元结构几何參数及对应的电磁响应曲线三次样条系数的映射关系；在步骤102中可得到毎次循环的每个高斯过程模型的參数的后验概率，将这些后验概率进行比较，寻找高斯过程每个參数后验概率最大的ー项，此项称为高斯过程參数的最大后验似然值；高斯过程參数的最大后验似然值所对应的高斯过程參数为最大高斯过程參数，即最大高斯过程參数，对应的区域划分为最优划分，将最大高斯过程參数和对应的区域划分用于拟合単元结构几何參数与其对应的単元结构电磁响应曲线三次样条系数的映身寸关系;104、根据外部输入的单元结构几何參数和映射关系，获取外部输入的单元结构几何參数对应的电磁响应曲线三次样条系数；接收外部输入的单元结构几何參数，根据该单元结构几何參数和步骤103中得到的映射关系，获取单元结构几何參数对应的单元结构电磁响应曲线三次样条系数；在本实施例中，通过建立单元结构几何參数及对应的电磁响应曲线三次样条系数之间关系的狄里克雷过程和高斯过程的混合非參统计回归数学模型，通过对训练样本的学习以及大量的数学计算，最后得出最接近真实的单元结构几何參数和对应的电磁响应曲线三次样条系数之间的映射关系，在具体运用时，只要已知单元结构几何參数，就可以估计出非常接近的电磁响应曲线三次样条系数,从而可知对应的电磁响应曲线。请參阅图2，本发明实施例数据处理方法的第二实施例包括201、选定狄里克雷过程与高斯过程的混合非參统计回归模型；在选定狄里克雷过程与高斯过程的混合非參统计回归模型为描述超材料单元结构几何參数及对电磁波的响应曲线三次样条系数之间关系的数学模型；、
202、获取训练样本；将已测量的单元结构几何參数及与之对应的对电磁波的响应曲线三次样条系数作为训练样本；203、初始化狄里克雷过程參数和高斯过程參数；对每个训练样本给定ー个区域标识符，此标识符指定了该训练样本所被划分到的区域，初始化每个标识符随机分布到若干区域，其中区域个数不限，可以是无穷多个；运用狄里克雷过程中的断棍方法，通过beta分布生成每个区域出现的概率；选定中值函数、核函数以及似然值函数形式，初始化高斯过程參数，该參数包括中值函数參数、核函数參数、似然值函数參数，其中似然值函数參数主要为噪声方差；
其中，每个区域标识符对应ー个区域，每个区域对应ー个高斯过程，每个训练样本在一个给定的高斯过程进行处理；204、计算高斯似然值和先验概率；通过高斯过程，计算每个样本在每个区域内的高斯似然值；通过狄里克雷过程产生每个区域出现的可能性，该可能性视为先验概率；205、确定每个样本所在的区域；将计算得到的每个样本出现在每个区域的高斯似然值与验概率，即每个区域出现的可能性相乘，得到每个样本在每个区域的后验概率，并计算该后验概率的累积概率分布，再通过block gibbs sampling得到姆个样本新的所在的区域标识符,即确定了姆个样本所在的区域；206、更新高斯过程參数并计算高斯过程參数的似然值和先验概率；用Metropolis-Hasting方法更新姆个高斯过程參数，并利用以下公式计算训练样本在对应高斯过程的參数下的边缘相似性P(y |X，9 )，其中y，X为训练样本，0为高斯过程參数，此结果被视为该高斯过程參数的似然值；利用以下公式计算该高斯的參数的先验概率P(e)，其中0为高斯过程參数，此结果被视为高斯过程的參数先验概率，其中，高斯过程參数的先验概率是根据预先设置的先验概率分布来计算的，比如说gamma分布；将获取的高斯过程的各个參数的似然值与该參数的先验概率相乘，求得高斯过程中该參数的后验概率，即P(e |y，X) =P(y|X，0斤(0)，其中74为训练样本，0为高斯过程參数；并用Metropolis-Hastings方法判断此概率是否保留，如保留，则记录该參数的后验概率；如果不保留，则该參数的后验概率为上ー轮循环结果，并且Metropolis-Hastings更新无效；207、更新狄里克雷过程的參数；用adaptive rejection sampling方法更新狄里克雷过程的參数；208、判断马尔可夫链是否已经稳定；判断马尔可夫链是否已经稳定，比如，如果判断马尔可夫链已经稳定的条件是循环2000次；如果还没稳定，则返回步骤204再次循环；如果稳定了，则执行步骤209 ；209、获取高斯过程參数的最大后验似然值；当马尔可夫链趋于稳定后，将得到每个高斯过程的參数每一次循环的后验概率，将每个高斯过程的參数的后验概率进行比较，找出最大的ー项，此项称为高斯过程的參数的最大后验似然值；210、获取最大高斯过程參数和对应的区域划分；根据步骤209获取的高斯过程參数的最大后验似然值获取对应的高斯过程參数，该參数为最大高斯过程參数；根据步骤209获取的高斯过程參数的最大后验似然值获取对应区域划分为最优划分；211、拟合单元结构几何參数与其对应的单元结构电磁响应曲线三次样条系数的映射关系；将步骤210获取的最大高斯过程參数和对应的区域划分用于拟合単元结构几何 參数与其对应的单元结构电磁响应曲线三次样条系数的映射关系；在根据所取得的电磁响应曲线的特征參数，通过描述測量曲线的模型反推出给定的単元结构在一定频率范围内的电磁响应，其中，该特征參数可以是中值；212、根据外部输入的单元结构几何參数和映射关系，获取外部输入的单元结构几何參数对应的电磁响应曲线三次样条系数；接收外部输入的单元结构几何參数，根据该单元结构几何參数和步骤211中得到的映射关系，获取单元结构几何參数对应的单元结构电磁响应曲线三次样条系数； 在本实施例中，通过建立单元结构几何參数及对应的电磁响应曲线三次样条系数之间关系的狄里克雷过程和高斯过程的混合非參统计回归数学模型，通过对训练样本的学习以及大量的数学计算，最后得出最接近真实的单元结构几何參数和对应的电磁响应曲线三次样条系数之间的映射关系，在具体运用时，只要已知单元结构几何參数，就可以估计出非常接近的电磁响应曲线三次样条系数,从而可知对应的电磁响应曲线。请參阅图3，本发明实施例数据处理装置第三实施例包括第一获取模块301 :用于获取训练样本，其中训练样本包括単元结构几何參数及对应的电磁响应曲线三次样条系数；初始化模块302，用于初始化狄里克雷过程和高斯过程；第二获取模块303 :用于根据第一获取模块301获取的训练样本，获取高斯过程參数的最大后验似然值对应的最大高斯过程參数和最大高斯过程參数对应的区域划分；映射关系拟合模块304 :用于根据第二获取模块302获取的最大高斯过程參数和最大高斯过程參数对应的区域划分，拟合单元结构几何參数及对应的电磁响应曲线三次样条系数的映射关系；第三获取模块305 :用于根据外部输入的単元结构几何參数和映射关系，获取外部输入的单元结构几何參数对应的电磁响应曲线三次样条系数；在本实施例中，通过建立单元结构几何參数及对应的电磁响应曲线三次样条系数之间关系的狄里克雷过程和高斯过程的混合非參统计回归数学模型，通过对训练样本的学习以及大量的数学计算，最后得出最接近真实的单元结构几何參数和对应的电磁响应曲线三次样条系数之间的映射关系，在具体运用时，只要已知单元结构几何參数，就可以估计出非常接近的电磁响应曲线三次样条系数,从而可知对应的电磁响应曲线。请參阅图4，本发明实施例数据处理装置第四实施例包括模块401至404的功能描述同实施例三中的模块301至304 ；
进一步的，本实施例中数据处理装置还包括初始区域分布模块405，用于将每个训练样本确定一个区域标识符，将所述区域标识符随机分布到各个区域，使每个训练样本对应一个区域；判断模块406，用于判断马尔可夫链是否稳定；区域确定模块407，用于当判断模块406判断出马尔可夫链不稳定时，将训练样本确定狄里克雷过程的区域，其中，每个区域对应一个高斯过程；第三获取模块408，用于获取高斯过程参数的后验概率；第一更新模块409，用于更新狄里克雷过程参数；第四获取模块410，用于当判断模块406判断出马尔可夫链趋于稳定时，根据每次 循环所得的高斯过程参数的后验概率获取最大的高斯过程参数的后验概率；第五获取模块411，用于根据第四获取模块获取的最大的高斯过程参数的后验概率获取最大高斯过程参数和最大高斯过程参数对应的区域划分，其中，最大高斯过程参数和最大高斯过程参数对应的区域划分是最大的高斯过程参数的后验概率对应的高斯过程参数和区域划分；进一步的，区域确定模块包括第一单元，用于通过高斯过程获取每个训练样本在每个区域内的高斯似然值；第二单元，用于通过狄里克雷过程获取每个区域的先验概率，所述每个区域的先验概率指每个区域出现的可能性；第三单元，用于将第一获取单元获取的高斯似然值和第二获取单元获取的每个区域的先验概率相乘，得到每个训练样本在每个区域的后验概率；第四单元，用于计算第三单元计算得到的每个训练样本在每个区域的后验概率的累积概率分布，并通过block gibbs sampling方法得到训练样本新的区域标识符；进一步的，第三获取模块包括第一单元，用于获取高斯过程参数的似然值；第二单元，用于获取该高斯过程参数的先验概率；第三单元，用于将第一单元获取的高斯过程参数的似然值和第二单元获取的高斯过程参数的先验概率相乘，得到该高斯过程参数的后验概率。在本实施例中，通过建立单元结构几何参数及对应的电磁响应曲线三次样条系数之间关系的狄里克雷过程和高斯过程的混合非参统计回归数学模型，通过对训练样本的学习以及大量的数学计算，最后得出最接近真实的单元结构几何参数和对应的电磁响应曲线三次样条系数之间的映射关系，在具体运用时，只要已知单元结构几何参数，就可以估计出非常接近的电磁响应曲线三次样条系数,从而可知对应的电磁响应曲线。专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清除地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。本领域普通技术人员可以理解实现上述实施例方法中的全部或者部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，所述程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(RandomAccess Memory, RAM)等。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或者使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明精神或范围的情况下，在其他实施例中实现。因此， 本发明将不会被限制于本文所示的这些实施例，而是要符合于本文所公开的原理和新颖特性相一致的最宽的范围。
权利要求
1.ー种数据处理方法，其特征在于，包括 获取训练样本，并初始化狄里克雷过程和高斯过程，所述训练样本包括単元结构几何參数及对应的电磁响应曲线三次样条系数； 根据所述训练样本，获取高斯过程參数的最大后验似然值对应的最大高斯过程參数和所述最大高斯过程參数对应的区域划分； 根据所述最大高斯过程參数和区域划分，拟合单元结构几何參数及对应的电磁响应曲线三次样条系数的映射关系； 根据外部输入的単元结构几何參数和所述映射关系，获取所述外部输入的単元结构几何參数对应的电磁响应曲线三次样条系数。
2.根据权利要求I所述的方法，其特征在于，所述获取训练样本，并初始化狄里克雷过程和高斯过程的步骤包括 获取训练样本； 将每个训练样本确定ー个区域标识符，将所述区域标识符随机分布到各个区域，使每个训练样本对应ー个区域； 初始化狄里克雷过程參数和高斯过程參数。
3.根据权利要求2所述的方法，其特征在于，所述根据训练样本，获取高斯过程參数的最大后验似然值对应的最大高斯过程參数和所述最大高斯过程參数对应的区域划分的步骤包括 判断马尔可夫链是否稳定； 如果不稳定，则 将所述训练样本确定狄里克雷过程的区域，每个所述区域对应ー个高斯过程； 获取高斯过程參数的后验概率并更新狄里克雷过程參数。
4.根据权利要求3所述的方法，其特征在于，所述如果不稳定，则将所述训练样本确定狄里克雷过程的区域的步骤包括 通过高斯过程获取每个训练样本在每个区域内的高斯似然值； 通过狄里克雷过程获取每个区域的先验概率，所述每个区域的先验概率指每个区域出现的可能性； 将所述高斯似然值和所述每个区域的先验概率相乘，得到每个训练样本在每个区域的后验概率； 计算所述每个训练样本在每个区域的后验概率的累积概率分布，并通过块吉布斯采样方法得到训练样本新的区域标识符。
5.根据权利要求3所述的方法，其特征在干，所述获取高斯过程參数的后验概率并更新狄里克雷过程參数的步骤包括 获取高斯过程參数的似然值； 获取该高斯过程參数的先验概率； 将所述高斯过程參数的似然值和所述高斯过程參数的先验概率相乘，得到该高斯过程參数的后验概率； 用自适应剔除采样方法更新狄里克雷过程參数。
6.根据权利要求5所述的方法，其特征在于，所述获取高斯过程參数的似然值的步骤包括 用梅特罗波利斯-黑斯廷斯算法更新高斯过程參数； 根据所述更新的高斯过程參数计算高斯过程參数的似然值，所述高斯过程參数的似然值为训练样本在所述更新的高斯过程參数下的边缘相似性。
7.根据权利要求6所述的方法，其特征在于，所述获取该高斯过程參数的先验概率的步骤包括 根据预先设置的先验概率分布获取该高斯过程參数的先验概率。
8.根据权利要求7所述的方法，其特征在于，所述预先设置的先验概率分布为伽马分布。
9.根据权利要求5所述的方法，其特征在干，所述将高斯过程參数的似然值和所述高斯过程參数的先验概率相乗，得到该高斯过程參数的后验概率的步骤包括 将所述高斯过程參数的似然值和所述高斯过程參数的先验概率相乘，得到该高斯过程參数的后验概率； 用梅特罗波利斯-黑斯廷斯算法判断所述高斯过程參数的后验概率是否保留； 如果保留，则记录所述高斯过程參数的后验概率； 如果不保留，则所述高斯过程參数的后验概率为上ー轮循环计算得到的高斯过程參数后验概率。
10.根据权利要求3所述的方法，其特征在于，所述判断马尔可夫链是否稳定的步骤还包括 如果稳定，则根据每次循环所得的所述高斯过程參数的后验概率获取最大的高斯过程參数的后验概率； 根据所述最大的高斯过程參数的后验概率获取最大高斯过程參数和最大高斯过程參数对应的区域划分，所述最大高斯过程參数和所述最大高斯过程參数对应的区域划分是所述最大的高斯过程參数的后验概率对应的高斯过程參数和区域划分。
11.ー种数据处理装置，其特征在于，包括 第一获取模块用于获取训练样本，所述训练样本包括単元结构几何參数及对应的电磁响应曲线三次样条系数； 初始化模块，用于初始化狄里克雷过程和高斯过程； 第二获取模块用于根据第一获取模块获取的训练样本，获取高斯过程參数的最大后验似然值对应的最大高斯过程參数和所述最大高斯过程參数对应的区域划分； 映射关系拟合模块用于根据第二获取模块获取的最大高斯过程參数和所述最大高斯过程參数对应的区域划分，拟合单元结构几何參数及对应的电磁响应曲线三次样条系数的映射关系； 第三获取模块，用于根据外部输入的単元结构几何參数和所述映射关系，获取所述外部输入的单元结构几何參数对应的电磁响应曲线三次样条系数。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括 初始区域分布模块，用于将每个训练样本确定ー个区域标识符，将所述区域标识符随机分布到各个区域，使每个训练样本对应ー个区域； 判断模块，用于判断马尔可夫链是否稳定；区域确定模块，用于当判断模块判断出马尔可夫链不稳定时，将所述训练样本确定狄里克雷过程的区域，每个所述区域对应ー个高斯过程； 第三获取模块，用于获取高斯过程參数的后验概率； 第一更新模块，用于更新狄里克雷过程參数。
13.根据权利要求12所述的装置，其特征在于，所述区域确定模块包括 第一単元，用于通过高斯过程获取每个训练样本在每个区域内的高斯似然值； 第二単元，用于通过狄里克雷过程获取每个区域的先验概率，所述每个区域的先验概率指每个区域出现的可能性； 第三単元，用于将所述第一获取单元获取的高斯似然值和所述第二获取单元获取的每个区域的先验概率相乗，得到每个训练样本在每个区域的后验概率； 第四単元，用于计算所述第三単元计算得到的每个训练样本在每个区域的后验概率的累积概率分布，并通过块吉布斯采样方法得到训练样本新的区域标识符。
14.根据权利要求13所述的装置，其特征在于，所述第三获取模块包括 第一単元，用于获取高斯过程參数的似然值； 第二単元，用于获取该高斯过程參数的先验概率； 第三単元，用于将所述第一单元获取的高斯过程參数的似然值和所述第二单元获取的高斯过程參数的先验概率相乘，得到该高斯过程參数的后验概率。
15.根据权利要求12所述的装置，其特征在于，所述装置还包括 第四获取模块，用于当判断模块判断出马尔可夫链趋于稳定时，根据每次循环所得的所述高斯过程參数的后验概率获取最大的高斯过程參数的后验概率； 第五获取模块，用于根据第四获取模块获取的最大的高斯过程參数的后验概率获取最大高斯过程參数和最大高斯过程參数对应的区域划分，所述最大高斯过程參数和所述最大高斯过程參数对应的区域划分是所述最大的高斯过程參数的后验概率对应的高斯过程參数和区域划分。
全文摘要
本发明实施例提供了一种数据处理方法，该方法通过获取训练样本，并初始化狄里克雷过程和高斯过程，该训练样本包括单元结构几何参数及对应的电磁响应曲线三次样条系数，根据训练样本，获取高斯过程参数的最大后验似然值对应的最大高斯过程参数和该最大高斯过程参数对应的区域划分，再根据最大高斯参数和最大高斯过程参数对应的区域划分，拟合单元结构几何参数及对应的电磁响应曲线三次样条系数的映射关系，在具体运用时，只要已知单元结构几何参数，就可以估计出非常接近的电磁响应曲线三次样条系数，从而可知对应的电磁响应曲线。
文档编号G06F17/50GK102768687SQ20111011194
公开日2012年11月7日 申请日期2011年4月30日 优先权日2011年4月30日
发明者刘斌, 刘若鹏, 季春霖, 王睿 申请人:深圳光启创新技术有限公司, 深圳光启高等理工研究院