离散数据网格化快速处理方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及工程数据处理方法技术领域，尤其涉及一种离散数据网格化快速处理方法。背景技术：2.工程数据处理中，把不规则离散点网格化成规则网格点的场景应用非常普遍，尤其在工程成图和模式识别技术等场景离散流数据处理应用中，更是离不开数据的网格化。离散点网格化方法有许多种，如n-p法、方位法及趋势面法等。尤以n-p法是非规则点变成规则点最常用的网格化方法之一。3.该方法的基本思想是离网格点越近的离散点对网格点的影响越大，越远影响越小甚至无影响。鉴于n-p法过程算法在处理大量离散点的网格化时计算量大，在线耗机时长，效率较低，不适于工程应用大量甚至海量离散流数据的快速网格化处理需求。一个品质好的的处理方法不仅要使计算结果正确，而且要有较高运行效率，这些都是很关键的，也直接决定了它的应用范围及广度。技术实现要素：4.本发明所要解决的技术问题是如何提供一种处理速度快，效率高的离散数据网格化快速处理方法。5.为解决上述技术问题，本发明所采取的技术方案是：一种离散数据网格化快速处理方法，其特征在于包括如下步骤：6.1)对于任一待求网格结点，以其为中心虚拟一个方形窗口，使其各边分别平行于原纵横坐标轴；7.2)判断落入窗口内离散点的数量，根据离散点y(y1，y2)坐标值与窗口角点坐标值比较来判断，设落入窗口的离散点数量为nj；8.3)比较nj与ni的数值大小，nj≥ni，进行第4步；否则，扩大窗口，回至第2步，ni为参与邻近距离加权平均的离散点数；9.4)计算nj个离散点距离网格结点x(x1，x2)的距离lij，并按数值大小进行排序，共nj个；10.5)从nj个距离中找出ni个距离网格点x(x1，x2)最近点，以ni个离散点上的数值计算该网格点估计数值；11.6)当一个网格结点的估计数值计算完成后，窗口中心平移至下一个网格结点，重复第2步，直到网格化完成。12.进一步的技术方案在于：按公式(a)计算nj个离散点距离网格结点x(x1，x2)的距离lij，所述公式(a)的计算步骤如下：13.在估计网格点数值时，仅考虑离网格点最近的ni个点，这ni个点对网格的影响与距离成反比；14.设n维空间规则网格点为x(x1，x2…，xn)，邻近离散点为y(y1，y2…，yn)及其数值为zi，计算空间网格点与临近离散点欧式距离lij，则：[0015][0016]进一步的技术方案在于：以ni个离散点上的数值按公式(b)计算该网格点估计数值，所述公式(b)的计算步骤如下：[0017]计算出空间网格点x最近的ni个离散点的距离lij(i＝1，2，…，n)，则空间网格点x(x1，x2…，xn)上的估计值为：[0018][0019]采用上述技术方案所产生的有益效果在于：本发明所述方法中作一次判断仅相当于作1次加减法或相当于作1次乘法所耗费机时的l/8-1/10，因此所花费的时间要远小于距离计算耗时，处理同样的数据所耗机时可降低十几倍，当离散流数据量越大，耗费时间相对越少，效率也就越明显，适于工程成图技术和模式识别技术等场景离散流数据处理应用。附图说明[0020]下面结合附图和具体实施方式对本发明作进一步详细的说明。[0021]图1是本发明实施例所述方法中离散数据网格化示意图；[0022]图2是本发明实施例所述方法的流程图。具体实施方式[0023]下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0024]在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。[0025]在离散数据网格化过程中，计算网格结点估计数值仅与其周围的少量离散点有关系，与其它多数离散点无关。因此，在计算空间网格结点x(x1，x2…，xn)的值时，可考虑先把范围缩小到该空间网格结点邻域范围，如图1。[0026]具体思路为：[0027]以二维空间为例进行说明，设网格结点为x(x1，x2)，此处以该结点为中心作一正方形窗口，仅计算落入窗口内的离散点到该网格结点的距离lij即可，落入窗口外的离散点不予处理。同时，在搜索距离网格结点x(x1，x2)最近n个点时，也只要从少数几个距离中计算判断即可。[0028]从算法角度来看，可大大节省在线计算时间。不妨假设离散点总数为n，参与邻近距离加权平均的离散点数为ni，通常情况下n＞＞ni，对于每一个网格结点而言，为了找出其较近的ni个点，相对于常规n-p方法要计算所有n个离散点与结点的距离，此处提出的网格化方法仅是计算nj个距离(nj稍大于ni)，而每计算1次距离要计算2次减法和2次乘法，当n很大时，必然会耗费很多在线计算时间。[0029]基于邻近距离加权平均法的网格化数据提取[0030]采用邻近距离加权平均法进行网格化数据估计提取，在估计网格点数值时，仅考虑离网格点最近的ni个点，这ni个点对网格的影响与距离成反比。[0031]不妨假设n维空间规则网格点为x(x1，x2…，xn)，邻近离散点为y(y1，y2…，yn)及其数值为zi，计算空间网格点与临近离散点欧式距离lij，则：[0032][0033]计算出空间网格点x最近的ni个离散点的距离lij(i＝1，2，…，n)，则空间网格点x(x1，x2…，xn)上的估计值为：[0034][0035]综上，本方法具体包括如下步骤：[0036]1)对于任一待求网格结点，以其为中心虚拟一个方形窗口，使其各边分别平行于原纵横坐标轴。[0037]2)判断落入窗口内离散点的数量，可根据离散点y(y1，y2)坐标值与窗口角点坐标值比较来判断，设落入窗口的离散点数量为nj。[0038]3)比较nj与ni的数值大小，nj≥ni，进行第4步；否则，扩大窗口，回至第2步。[0039]4)按公式(a)计算nj个离散点距离网格结点x(x1，x2)的距离lij，并按数值大小进行排序，共nj个。[0040]5)从nj个距离中找出ni个距离网格点x(x1，x2)最近点，以ni个离散点上的数值按公式(b)计算该网格点估计数值。[0041]6)当一个网格结点的估计数值计算完成后，窗口中心平移至下一个网格结点，重复第2步，直到网格化完成。[0042]综上，本发明所述方法中作一次判断仅相当于作1次加减法或相当于作1次乘法所耗费机时的l/8-1/10，因此所花费的时间要远小于距离计算耗时，处理同样的数据所耗机时可降低十几倍，当离散流数据量越大，耗费时间相对越少，效率也就越明显，适于工程成图技术和模式识别技术等场景离散流数据处理应用。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!