专利名称：一种基于软硬数据的信息预测方法
技术领域：
本发明涉及一种在医学、地质等很多领域具有广泛应用的信息预测模拟技术，特
别涉及一种基于软硬数据，利用连续型多点地质统计法预测未知信息的方法。
背景技术：
目前，对于未知区域的信息预测在许多科学领域具有重要意义，其在如医学、地质、气象和采矿等领域已被广泛应用。尽管有许多插值方法被用于未知信息预测，但是还是难以实现信息的精确预测。 对于插值方法可分为"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、多项式趋势面法、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为基础，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，例如长距离弯曲的河道。Kriging和随机模拟方法被合称为基于两点的地质统计方法。 鉴于两点地质统计方法的不足，多点地质统计法(MPS，multiple-pointgeostatistics)被提出。通过再现高阶统计量，MPS能够从训练图像中捕捉复杂的特征样式并把它们复制到重构图像中，从而再现统计信息。在MPS中，使用训练图像代替变差函数获取空间数据的结构性，因而可克服两点地质统计学不能再现空间多点相关性的不足。 在MPS模拟过程中，条件数据对模拟结果的精度影响较大。这些条件数据是指统计学概念上的硬数据和软数据。在许多领域里，由于受到客观条件或技术水平限制，所能得到的硬数据非常有限，但是可以获得相对比较丰富的软数据(先验信息)。划分硬数据和软数据的依据是，数据是否来自于客观实在。硬数据是基于对客观存在的事物或现象进行测量和观察的结果。软数据通常是基于人们的主观判断所得到的统计指标，也可能是实验设备获取的整个研究区域内某个属性值的变化趋势。例如在油藏描述过程中，所能获得的硬数据(井位数据)往往非常少，而关于所研究变量的软数据(如地质解释和地震资料等)却相对较为丰富。软数据一般提供了较广泛范围内的低分辨率信息。如果能充分利用较为丰富的软数据，那么必然会提高重构结果的精度。
发明内容
由于在现有插值方法的模拟过程中，通过少量硬条件数据难以获得比较精确的模拟预测结果。因此，本发明提供了一种利用基于过滤器的多点地质统计方法，同时将软数据与硬数据信息共同作为多点地质统计方法模拟图像的条件数据，提高未知信息预测结果的
5精度。该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。
为了达到上述目的，本发明方法主要包括以下几方面
( — )利用数据模板扫描训练图像获得数据事件 该过程涉及数据模板和数据事件。其中，利用数据模板对训练图像进行扫描时，设数据模板为Tn，它是由n个向量组成的几何形态，Tn=仏。；a = 1，2， ...，n}。设模板中心位置为u，模板其他位置u。 =u+ha(a =l，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ua位置的n个状态值所组成的"数据事件"dn定义为<i ={5YMj = / a=7， 2， …，w } (1) 其中S(Ua)表示在u。位置的状态值，《表示n个向量在Ua位置的S(u》，...，
S(Un)分别为状态值、，…，^。 利用数据模板扫描训练图像时获得一个数据事件的过程如附图2所示。 利用附图1所示数据模板捕获的2个数据事件如附图3所示。 ( 二 )连续型MPS方法使用过滤器对训练图像中的图案进行分类划分，以实现降
维； 该过程涉及过滤器和过滤器得分。 过滤器是指与具有n个像素的数据模板t n相对应的n个权值的集合。假定有F个不同的过滤器{fk(hj) ;j = l，... ，n;k = l，... ，Fh每个过滤器都是定义为与含有n个像素的数据模板Tn具有相同的尺寸。通过过滤器和训练图像结合可以得到"过滤器得分"，它会被赋值给与该局部图案对应的数据模板t n的中心位置u。 每个"过滤器得分"都是一幅训练图像中的某个局部图案权值之和，代表了该图案的某个模式特征。仅仅使用一个过滤器不足以反映一个图案的特征，因此需要定义一组F个过滤器来反映一幅图案的多个不同特征。将这F个过滤器应用到某个局部图案上，可以生成一个包含F个分量的向量；然后利用该向量来描述一个图案的特征，可以达到减少所需记录特征值的数目的效果。二维情况下的"过滤器得分"定义为((u)= f S/^,力r(/十xj +力 A = l，...，6 (2) 上式中fk('，')，表示定义于n二 (2m+l"个像素位置上的第K个过滤器。T(i+x，j+y)表示二维训练图像T在(i+x， j+y)位置的数据值。
三维情况下的"过滤器得分"定义为 2艺艺/r(x,_y,z)r(/ + x,_/ + ja + Z), r = l,.."9 (3)
2=—附2 I二一Wj 上式中的fr( ， ， )表示定义于n = (2m一l)2 (2m2+l)个体素位置上的第r个过滤器。在三维情况下的9个过滤器分别定义如下 /;(x,y，z) = l — ^e
，>> = (4)
附！ /2(x,_y,2) = l —^U
,x =—附p…,+附, (5)
附！ /30,7,z) = l — ~^U
,z = —ot2"."+w2 (6) 6
f4(x， y， z) = y/mi G [—1， 1] ， y =-叫， ，十叫 (7)
f5(x， y， z) = x/V G [-l， l] ， x = -m" ， +11^ (8)
f6(x， y， z) = z/m2 G [-1， 1] ， z = _m2， ， +m2 (9) /7(x，y,z) = ^-le [-1,1], (10)
附！ /80,y,z) =-^ —le[-l,l],x:-;^,…，+附t (11)
附！ /9(x,;^)二^1 —le[—1,1],2 = —w2, ,+w2 (12)
m2 frf3过滤器分别表示南_北方向、东_西方向和上_下方向均值；f4_f6过滤器分别表示南_北方向、东_西方向和上_下方向梯度；f7_f9过滤器分别表示南_北方向、东_西方向和上-下方向曲率。(三)结合使用软硬数据的进行模拟预测； 如果在一个给定的训练图像上滑动F个与数据模板、对应的过滤器，那么可以生成F个"过滤器得分"图像。这F个图像定义了一个F维的"过滤器得分"空间，简称"得分空间"。任何从训练图像中提取出的局部图案模式都和该得分空间中的一个点相映射。由于得分空间的维数大大小于数据模板的尺寸，上述的过滤器分类方法会使得所需记录特征值的数目大大减少。 下面将得分空间进行简单的划分。将得分空间的每个过滤器所得分值均匀地划分成若干相同的区间。如果得分空间的维数是F，而每个过滤器得分被划分为M(3《M《5)个区间，这样整个得分空间就被划分为MF个"子空间"，每个子空间命名为Ce11。然而，由于每个过滤器得分的划分是相对独立进行的，一些Cell必然会为空，这意味着没有训练图像的图案模式在其中。对于每个过滤器所得分值独立地进行均匀划分的做法并不能保证在这个F维得分空间中对所有分值可以实现均匀划分。只有那些非空的Cell将会被存储在内存中，被用于模拟生成最终的图像。 每个非空的Cell可以被称为一个"得分类"。对于每个非空的得分类，可以定义一个"原型"——Prototype，该Prototype是训练图像中属于该得分类的所有局部图案各像素位置的均值。在对图案划分后，有的Cell中的图案特征仍然不够相似，因此有必要对其进行进一步划分。是否进行划分的判定标准要由得分类中的最多的图案数c^和最少的图
案数Cmin来控制。
一般C,可以指定为Cmin的2倍。对于一个得分类中的图案数目而言，如
果其大于cmin并且小于c^，那么就不用对该得分类进行进一步的划分。 上述过程中只使用了硬数据，然而为了提高模拟精度，有必要在模拟过程中加入软数据。检索以u。为中心的数据模板、内的所有已知的n'(《n)个数据；如果n'二o，意味着硬数据数目为O，那么可以从训练图像所有的Prototype中选取一个与软数据最为接近的Prototype (假定各位置软数据全部已知)。 在选取一个与软数据最为接近的Prototype后，将该Prototype直接"粘贴"到以当前模拟节点u。为中心的待模拟区域上。该软数据必须与待模拟区域具有相同大小和分辨率。 一旦与条件数据事件dn差别最小的Prototype被确定，则从该Prototype类随机提取出一个图案(命名为patch)，然后将patch "粘贴"到以当前模拟节点u。为中心的待模拟区域上，但是对于该模拟区域上的原始硬数据节点和已经模拟过的节点不做变动。
如果n' > 0，即以u。为中心的数据事件《非空，但是dn中仍然存在未知节点，那么利用软数据中对应未知节点位置的数据项"填满"《，然后在训练图像所有的Prototype中寻找与当前数据事件《最为接近的Prototype。重复上述步骤，继续对其他节点进行模拟，直到随机路径上的所有节点被模拟完毕。 本发明方法为了准确预测未知信息，同时使用软硬数据，以提高模拟精度。模拟过程中利用过滤器对数据进行降维，可以较少CPU和内存的消耗。利用多点地质统计法提取训练图像的多点结构特征，然后将这些特征拷贝到待模拟区域中。对训练图像特征模式分类，形成了提取模式的"特征库"。比较"特征库"中的特征模式与当前数据事件，获取与数据事件最接近的特征模式，然后将其"粘贴"到待模拟节点位置，以完成该节点的模拟。
另外，本发明将该方法应用于信息量分布的模拟预测，比较各情况下预测结果的变差函数可以看出，将软硬数据同时作为条件数据时的模拟结果与真实情况下的信息分布在结构特征上最为接近。
以下结合附图和具体实施方式
来进一步说明本发明。 图1(a)为本发明方法所涉及的二维数据模板示意图；该图是一个9X9节点组成的二维模板，由中心u和80个向量ha所确定。 图l(b)为本发明方法所涉及的三维数据模板示意图；该图是由3X3X3节点组成的三维模板，模板中心点u用蓝色表示。 图2为本发明方法所涉及的利用数据模板扫描训练图像时获得一个数据事件的过程的示意图。 图3 (a)为根据图1 (a)的数据模板捕获的数据事件的示意图； 图3 (b)为根据图1 (b)的数据模板捕获的数据事件的示意图； 图3(a)和图3(b)中，数据事件中的彩色节点表示已知数据。具有相同颜色的节
点具有相同的状态值。 图4(a)、图4(b)、图4(c)为本发明方法中"过滤器得分"整体过程的概念示意图； 其中，图4(a)表示一个15X15像素的过滤器，对应各位置的像素的权值如状态条
所示。图4(b)表示训练图像中的一个图像。图4(c)表示过滤器得分。 图4(a)所示的过滤器应用于图4(b)所示的图案，可以获得该图案的"过滤器得
分"，该得分值被赋给该图案的中心位置，即图4(c)中的阴影方块。 图5为对一个二维"过滤器得分"空间的划分示意图。 图中，第一步划分中M二3，用实线表示；第二步划分用虚线表示，此时C幽二4，c^=8.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^分别表示两个过滤器得分的最大值。 图6(a)为训练图像的外表面，图6(b)为训练图像的外表面和剖面图(X = 40， Y=40，Z = 20);上述两图为一幅某区域的信息量分布图(80X80X40体素)。上述两图训练图像平均值为0. 6121，方差为0. 041。 图7(a)为从训练图像提取0. 5%的随机点作为硬条件数据的硬数据图，图中这些随机点的平均值为0. 6335。
图7(b)为训练图像的软数据图，尺寸为80X80X40体素，均值为0. 6386，方差为 0. 047。 图8(a)为使用软硬数据的连续型MPS模拟预测的结果的外表面图。 图8(b)为使用软硬数据的连续型MPS模拟预测的结果的剖面图(X = 40，Y = 40，
Z = 20)。 图9(a)为无条件数据的MPS模拟图像的外表面图。 图9 (b)为无条件数据的MPS模拟图像的剖面图(X = 40， Y = 40， Z = 20)。
图10(a)为只使用硬数据情况下的的MPS模拟图像的外表面图。
图10(b)为只使用硬数据情况下的的MPS模拟图像的剖面图(X = 40， Y = 40， Z =20)。 图11(a)为训练图像的直方图；图11(b)为同时使用软硬数据的直方图。
图11(c)为仅使用硬数据的直方图；图11(d)为无条件数据情况下的直方图。
图12(a)为采用序贯高斯模拟方法对附图7(a)所示的采样点进行插值运算生成 的模拟结果的外表面图。 图12(b)为采用序贯高斯模拟方法对附图7(a)所示的采样点进行插值运算生成 的模拟结果的剖面图(X = 40， Y = 40， Z = 20)。 图13(a)为采用简单克里格方法对附图7(a)所示的采样点进行插值运算生成的 模拟结果的外表面图。 图13(b)为采用简单克里格方法对附图7(a)所示的采样点进行插值运算生成的
模拟结果的剖面图(X = 40， Y = 40， Z = 20)。 附图14(a)为序贯高斯模拟方法模拟结果的直方图。 附图14(b)为简单克里格方法模拟结果的直方图。 图15(a)为训练图像、使用软硬数据、仅使用硬数据、无条件数据、序贯高斯模拟 方法和简单克里格方法情况下X方向的变差函数图。 图15(b)为训练图像、使用软硬数据、仅使用硬数据、无条件数据、序贯高斯模拟 方法和简单克里格方法情况下Y方向的变差函数图。 图15(c)为训练图像、使用软硬数据、仅使用硬数据、无条件数据、序贯高斯模拟 方法和简单克里格方法情况下的Z方向变差函数图。
具体实施例方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结 合具体图示，进一步阐述本发明。 本发明的一个基于软硬数据信息的连续型多点地质统计方法预测未知信息分布 的实例结合附图详述如下 请参见图6_图11和表l，是本方法与仅使用硬数据和无条件数据模拟的比较。
使用软硬数据仅使用硬数据无条件数据
最大内存(M)425522643
CPU时间(second)132116761981
均值(10 m2)0.63300.65640.6887
方差0.0450.0550.067 表l 表1为使用软硬数据，仅使用硬数据和无条件数据情况下所需的最大内存，CPU时 间，均值和方差值。 在本实施例中，图6为一幅某区域的信息量分布图，将其作为训练图像 (80X80X40体素)。(a)表示训练图像的外表面；(b)表示训练图像的剖面图(X = 40， Y =40，Z = 20)。训练图像平均值为0.6121，方差为0.041。如果模拟结果与训练图像结构 相似，那么说明模拟结果精度高。从训练图像提取0.5%的随机点作为硬条件数据(见图 7 (a))，这些随机点的平均值为0. 6335。图7 (b)为训练图像的软数据，尺寸为80 X 80 X 40 体素，均值为0. 6386，方差为0. 047。 在本实施例中，基于软数据和硬数据，利用连续型MPS进行模拟预测。待模拟区域 为80X80X40体素。模拟结果如图8所示，可见该结果与训练图像信息值的分布特点比较 接近。 在本实施例中，为了与使用软硬数据情况下MPS的模拟结果进行比较，又利用MPS 方法分别在无条件数据和只使用硬数据情况下模拟预测信息值。重构图像的尺寸均为 80X80X40体素。图9和图IO分别是无条件数据和只使用硬数据情况下的模拟图像。这 两种情况下模拟的结果图像均较好地再现了训练图像的结构特征。 在本实施例中，训练图像，同时使用软硬数据，仅使用硬数据和无条件数据情况下 的直方图如图11所示。可见三种情况下的MPS模拟结果直方图与训练图像直方图均比较 接近，说明MPS方法在模拟预测时的实用性。使用软硬数据，仅使用硬数据和无条件数据情 况下所需的最大内存，CPU时间，均值和方差值如表1所示(机器配置CPU为奔腾2G主频， 内存2G，操作系统WindowsServer 2003)。可见使用软硬数据时的最大内存和CPU时间最 少，而其均值和方差值与训练图像却最为接近。 请参见图12-图14，是本方法与两点地质统计法比较的方案。 在本实施例中，为了与两点地质统计法进行比较，又采用了两点地质统计法中的 序贯高斯模拟方法SGSIM(Squential Gaussian Simulation)和简单克里格方法SK (Simple Kriging)对图7(a)的采样点进行插值运算。模拟图像的尺寸均为80X80X40体素。图 12(a)是采用SGSIM方法生成的模拟结果外表面，图12(b)是其剖面图。图13(a)是利用 SK方法生成的模拟结果外表面，图13(b)是其剖面图。可以看出，SGSIM和SK方法获得的 图像与训练图像的分布特征差异较大。SGSIM和SK模拟结果的直方图如图14所示，可见与 训练图像的直方图(图11(a))区别较大。
请参见图15，是对训练图像、使用软硬数据图像、仅使用硬数据图像、无条件模拟 图像、SGSIM和SK模拟图像在X、Y、Z方向的变差函数曲线进行比较。 变差函数可以作为评价模拟效果的工具。假定X、Y和Z方向上相邻体素间距离为 l，则变差函数的计算点对间在X、 Y、 Z方向上最大滞后距分别为79、79、39。分别得到训练 图像、使用软硬数据图像、仅使用硬数据图像、无条件模拟图像、SGSIM和SK模拟图像在X、 Y、Z方向的变差函数曲线，如图15(a) 、(b)、(c)所示。可见，使用软硬数据图像和训练图像 在X、 Y和Z方向的变差函数最为接近，说明两者的结构特征非常相似。仅使用硬数据时的 变差函数与训练图像也较为接近，但是仍然差于使用软硬数据情况，而其他情况下的模拟 图像与训练图像在上述三个方向的变差函数均有较大不同。从而证明连续型MP模拟方法 在结合使用软硬数据时的有效性。 本发明的基于软硬数据信息的连续型多点地质统计方法预测未知信息分布实施 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。 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术 人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本 发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变 化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其 等效物界定。
权利要求
一种基于软硬数据的信息预测方法，该方法包括(1)利用数据模板扫描训练图像获得数据事件(2)连续型MPS方法使用过滤器对训练图像中的图案进行分类划分，以实现降维；(3)结合使用软硬数据的进行模拟预测；其特征在于，所述步骤(1)中，利用数据模板对训练图像进行扫描时，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定义为上式中S(uα)表示在uα位置的状态值，dn表示n个向量在uα位置的S(u1)，...，S(un)分别为状态值所述步骤(2)中，假定有F个不同的过滤器{fk(hj)；j＝1，...，n；k＝1，...，F}，每个过滤器都是定义为与含有n个像素的数据模板τn具有相同的尺寸；通过过滤器和训练图像结合可以得到过滤器得分，它会被赋值给与该局部图案对应的数据模板τn的中心位置u；所述步骤(3)中，假设在一个给定的训练图像上滑动F个与数据模板τn对应的过滤器，那么可以生成F个过滤器得分图像；所述这F个图像定义了一个F维的得分空间；任何从训练图像中提取出的局部图案模式都和该得分空间中的一个点相映射；由于得分空间的维数大大小于数据模板的尺寸，上述的过滤器分类方法会使得所需记录特征值的数目大大减少。F2009101981831C0000011.tif,F2009101981831C0000012.tif
2. 根据权利要求l的基于软硬数据的信息预测方法，其特征在于，所述每个过滤器得 分都是一幅训练图像中的某个局部图案权值之和，代表了该图案的某个模式特征；仅仅使 用一个过滤器不足以反映一个图案的特征，因此需要定义一组F个过滤器来反映一幅图案 的多个不同特征；将这F个过滤器应用到某个局部图案上，可以生成一个包含F个分量的向 量；然后利用该向量来描述一个图案的特征，可以达到减少所需记录特征值的数目的效果。
3. 根据权利要求2的基于软硬数据的信息预测方法，其特征在于，所述二维情况下的 过滤器得分定义为S 2力"力W + " +力k = 1， ，6上式中的fk('， 0表示定义于n二 (2m+l"个像素位置上的第k个过滤器；T(i+x， j+y)表示二维训练图像T在(i+x， j+y)位置的数据值。
4. 根据权利要求2的基于软硬数据的信息预测方法，其特征在于，所述三维情况下的 过滤器得分定义为附2 ml 附|《0',M)= ￡ E Z /rO,J^F(/+x,/+>a+z),r = 1， ，9上式中的^(*， ， 0表示定义于n二 (2mi+l)2* (2m2+l)个体素位置上的第r个过 滤器；在三维情况下的9个过滤器分别定义如下,(x, 乂 z)小丄e
, y = —m，…,附！/2 O, 0 = 1 — ^ e
, x = -m,,…，+附,/3(x,;v,Z) = l-^
,Z=,2"."+m2附2f4(x， y， z) = y/nii G [-1， 1] ， y = -m" ， +mif5 (x， y， z) = x/m丄G [-1， 1] ， x = -m" ， +11^f6 (x， y， z) = z/m2 G [-1， 1] ， z = _m2， ， +m2/7(x, z) = ^-1 e [—1,1], J = +m,附！/8(x，>;，z) = e [-l,l]，x = —w,，…，+w,/ 9(x,;;,Z) = ^ — le[—l,l],z = —W2,...,+w2上述式子中，&-f3过滤器分别表示南_北方向、东_西方向和上_下方向均值；f4_f6过滤器分别表示南_北方向、东_西方向和上_下方向梯度；f7_f9过滤器分别表示南_北方向、东-西方向和上-下方向曲率。
5. 根据权利要求l的基于软硬数据的信息预测方法，其特征在于，所述将得分空间的每个过滤器所得分值均匀地划分成若干相同的区间；如果得分空间的维数是F，而每个过滤器得分被划分为M(3《M《5)个区间，这样整个得分空间就被划分为MF个子空间，每个子空间命名为Cell ;所述由于每个过滤器得分的划分是相对独立进行的，一些Cell必然会为空，这意味着没有训练图像的图案模式在其中；对于每个过滤器所得分值独立地进行均匀划分的做法并不能保证在这个F维得分空间中对所有分值可以实现均匀划分；只有那些非空的Cell将会被存储在内存中，被用于模拟生成最终的图像。
6. 根据权利要求5的基于软硬数据的信息预测方法，其特征在于，所述每个非空的Cell可以被称为一个得分类；对于每个非空的得分类，可以定义一个Prototype，所述Prototype是训练图像中属于该得分类的所有局部图案各像素位置的均值；在对图案划分后，有的Cell中的图案特征仍然不够相似，因此有必要对其进行进一步划分；是否进行划分的判定标准要由得分类中的最多的图案数C^和最少的图案数Cmin来控制；一般C^可以指定为cmin的2倍；对于一个得分类中的图案数目而言，如果其大于cmin并且小于cmax，那么就不用对该得分类进行进一步的划分。
7. 根据权利要求1或5或6的基于软硬数据的信息预测方法，其特征在于，所述步骤(3)在模拟过程中加入软数据；检索以u。为中心的数据模板Tn内的所有已知的n'(《n)个数据；如果n' = O，意味着硬数据数目为O，那么可以从训练图像所有的Prototype中选取一个与软数据最为接近的Prototype ;所述在选取一个与软数据最为接近的Prototype后，将该Prototype直接"粘贴"到以当前模拟节点u。为中心的待模拟区域上；该软数据必须与待模拟区域具有相同大小和分辨率；一旦与条件数据事件dn差别最小的Prototype被确定，则从该Prototype类随机提取出一个图案(命名为patch)，然后将patch "粘贴"到以当前模拟节点u。为中心的待模拟 区域上，但是对于该模拟区域上的原始硬数据节点和已经模拟过的节点不做变动；所述如果n' > 0，即以u。为中心的数据事件dn非空，但是dn中仍然存在未知节点，那 么利用软数据中对应未知节点位置的数据项"填满"《，然后在训练图像所有的Prototype 中寻找与当前数据事件《最为接近的Prototype ;重复上述步骤，继续对其他节点进行模 拟，直到随机路径上的所有节点被模拟完毕。
全文摘要
本发明公开了一种利用基于过滤器的多点地质统计方法，该方法包括(1)利用数据模板扫描训练图像获得数据事件(2)连续型MPS方法使用过滤器对训练图像中的图案进行分类划分，以实现降维；(3)结合使用软硬数据的进行模拟预测。本发明方法为了准确预测未知信息，同时将软数据与硬数据信息共同作为多点地质统计方法模拟图像的条件数据，提高未知信息预测结果的精度。可广泛应用于如医学、地质、气象和采矿等许多科学领域。
文档编号G06F19/00GK101706845SQ20091019818
公开日2010年5月12日 申请日期2009年11月3日 优先权日2009年11月3日
发明者张挺, 杜奕 申请人:上海第二工业大学