对拉普拉斯平滑 的认识
2017-12-25 10:33
162 查看
拉普拉斯平滑是一个二阶微分的过程,简单地用图形解释为
其实,要把其应用到实际中,其实就是求出的不同位置的S值的权重因子不同的问题;这样,我们来推:
(S(i,j)-S(i-1,j)-(S(i+1,j)-S(i,j)))/L是横着的二阶微分形式;
(S(i,j+1)-S(i,j)-(S(i,j+1)-S(i,j)))/w是竖着的二阶微分形式;
使S(i,j)=S0;S(i-1,j)=S1;S(i+1,j)=S3;S(i,j-1)=S2;S(i,j+1)=S4;
得到2*(L+W)/W*L*S0-1/W*S1-1/W*S4-1/L*S2-1/W*S3
因此就可以推导出它们之间的权重关系;
时间维度上:
S0为S1前一秒 ,S2为S1后一秒;
则S1-S0-(S2-S1)/(L/rupture_velcoity)和S1-S0-(S2-S1)/(W/rupture_velcoity)可以得到dip方向和strike方向。也可以得到S0与S1和S2之间的相对权重关系式。
当然,这是空间中心点旁边都有点,而时间维度也是三点连续的情况,二阶微分是可以满足的,但如果在边界呢,权重因子还不变吗?
其实,要把其应用到实际中,其实就是求出的不同位置的S值的权重因子不同的问题;这样,我们来推:
(S(i,j)-S(i-1,j)-(S(i+1,j)-S(i,j)))/L是横着的二阶微分形式;
(S(i,j+1)-S(i,j)-(S(i,j+1)-S(i,j)))/w是竖着的二阶微分形式;
使S(i,j)=S0;S(i-1,j)=S1;S(i+1,j)=S3;S(i,j-1)=S2;S(i,j+1)=S4;
得到2*(L+W)/W*L*S0-1/W*S1-1/W*S4-1/L*S2-1/W*S3
因此就可以推导出它们之间的权重关系;
时间维度上:
S0为S1前一秒 ,S2为S1后一秒;
则S1-S0-(S2-S1)/(L/rupture_velcoity)和S1-S0-(S2-S1)/(W/rupture_velcoity)可以得到dip方向和strike方向。也可以得到S0与S1和S2之间的相对权重关系式。
当然,这是空间中心点旁边都有点,而时间维度也是三点连续的情况,二阶微分是可以满足的,但如果在边界呢,权重因子还不变吗?
相关文章推荐
- 极大似然估计、拉普拉斯平滑定理、M-估计详解
- 拉普拉斯平滑处理 Laplace Smoothing
- Naive Bayes与Laplace smoothing 朴素贝叶斯算法拉普拉斯平滑
- 拉普拉斯平滑处理 Laplace Smoothing
- 斯坦福第五章:拉普拉斯平滑处理
- 基于Eigen库的离散拉普拉斯平滑(Discretized Laplacian Smoothing)的C++非稀疏矩阵实现
- 概率估计(极大似然估计、拉普拉斯平滑定理、M-估计的关系)
- 拉普拉斯平滑处理 Laplace Smoothing
- 神奇的拉普拉斯平滑(Laplacian Smoothing)及其在正则化上的应用~
- 拉普拉斯平滑
- 拉普拉斯平滑处理 Laplace Smoothing
- 拉普拉斯平滑处理 Laplace Smoothing
- opencv3_java 图形图像的拉普拉斯平滑Laplacian Laplacian
- 关于机器学习中的朴素贝叶斯以及拉普拉斯平滑
- 平滑处理--拉普拉斯(Laplace Smoothing)
- 神奇的拉普拉斯平滑(Laplacian Smoothing)及其在正则化上的应用~
- 斯坦福第五章:拉普拉斯平滑处理
- 机器学习笔记五 - 生成学习算法、高斯判别分析、朴素贝叶斯、拉普拉斯平滑
- Laplace(拉普拉斯)平滑
- 用高斯平滑图像的认识