[发明专利]一种基于LLE的温度场预测方法

说明书

本发明涉及一种基于LLE的温度场预测方法，该方法利用MPS和LLE进行温度场预测，通过将真实温度场三维图像作为训练图像，获取包含训练图像结构特征的模式后，采用LLE算法对模式进行降维；对降维后的模式利用PAM算法进行分类，通过设定条件数据及访问路径，对待预测区域进行访问，进而获取当前预测区域的预测值；LLE算法是一种非线性降维算法，对于非线性结构的模式数据来说，它能够使降维后的数据较好地保持原有流形结构，能够解决现有技术中线性降维方法难以处理非线性数据的问题。

技术领域

本发明涉及温度场预测技术领域，尤其是涉及一种基于LLE的温度场预测方法。

背景技术

物质系统内各个点上温度的集合称为温度场。它是时间和空间坐标的函数，反映了温度在空间和时间上的分布。温度T这个变量通常是空间坐标(x，y，z)和时间变量t的函数，即T＝T(x，y，z，t)。该公式描述的是三维非稳态(瞬态)温度场，在此温度场中发生的导热为三维非稳态(瞬态)导热。不随时间而变的温度场称为稳态温度场，即T＝T(x，y，z)，此时为三维稳态导热。对于一维和二维温度场，稳态时可分别表示为T＝f(x)和T＝f(x，y)，非稳态时则分别表示为T＝f(x，t)和T＝f(x，y，t)。温度场可借数学分析、实验测定、数值计算以及图解等方法予以确定。温度场预测在很多工程领域具有广泛应用。

多点地质统计法(MPS，Multiple-Point Statistics)近年来在预测数据方面应用较广，且取得了不错的成绩。在MPS预测数据过程中，训练图像的模式特征决定了模拟结果，但这些模式往往维数较高，数据处理较为困难。因此，模式降维非常必要。降维方法可分为线性和非线性降维。线性降维方法主要用来对线性数据降维，代表性方法有主成分分析(PCA，principal component analysis)和多维尺度变换(MDS，multi-dimensionalscaling)等。然而现实世界的许多数据处于非线性结构，采用线性降维方法难以处理非线性数据。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于LLE的温度场预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于LLE的温度场预测方法，该方法包括以下步骤：

S1：将真实温度场三维图像作为训练图像，定义扫描训练图像的数据模板，利用数据模板扫描训练图像，获取包含训练图像结构特征的模式，并建立模式库；

S2：采用LLE对训练图像的模式进行降维；

S3：采用k-中心点算法对降维后的模式分类，获取多个分类子空间，对每个分类子空间求取平均值；

S4：设定三维温度场预测区域，初始化条件数据，并定义预测模拟时的访问路径；

S5：利用访问路径对待预测区域进行访问，判断区域内是否仍有未知节点，若是，执行下一步，否则，结束访问；

S6：判断待预测区域中是否有条件数据，若是，执行下一步，否则，从模式库随机提取一个模式后，执行步骤S8；

S7：采用欧式距离函数对条件数据和分类子空间中的平均值求差异，在差异值最小的模式所对应的分类子空间中提取任意一个模式作为模拟结果；

S8：将提取的模式拷贝至待预测区域，获取当前预测区域的预测值；

S9：重复执行步骤S5，对待预测区域其他未知节点继续模拟，直到随机访问路径上的所有节点被模拟完毕。

优选地，所述的步骤S1的具体内容为：