代理模型有多项式响应曲面法,克里金法,梯度增强克里金法(GEK),支持向量机,空间映射,和人工神经网络。
public class KrigingModel {
private ArrayList xValues;
private ArrayList yValues;
private ArrayList zValues;
public KrigingModel(ArrayList xValues, ArrayList yValues, ArrayList zValues) {
this.xValues = xValues;
this.yValues = yValues;
this.zValues = zValues;
}
public double predict(double x, double y) {
double[][] distances = new double[xValues.size()][xValues.size()];
for (int i = 0; i < xValues.size(); i++) {
for (int j = 0; j < xValues.size(); j++) {
distances[i][j] = Math.sqrt(Math.pow((double)xValues.get(i) - (double)xValues.get(j), 2) + Math.pow((double)yValues.get(i) - (double)yValues.get(j), 2));
}
}
double[][] semivariances = new double[xValues.size()][xValues.size()];
for (int i = 0; i < xValues.size(); i++) {
for (int j = 0; j < xValues.size(); j++) {
semivariances[i][j] = Math.pow((double)zValues.get(i) - (double)zValues.get(j), 2);
}
}
double nugget = 0.0;
double sill = 0.0;
double range = 0.0;
// 执行变异函数拟合以估计块金、基台和范围参数
double[] weights = new double[xValues.size()];
double sumWeights = 0.0;
for (int i = 0; i < xValues.size(); i++) {
double distance = Math.sqrt(Math.pow(x - (double)xValues.get(i), 2) + Math.pow(y - (double)yValues.get(i), 2));
if (distance == 0.0) {
return (double) zValues.get(i);
}
weights[i] = (sill - nugget) * (3.0 / 2.0 * distance / range - 1.0 / 2.0 * Math.pow(distance / range, 3)) + nugget;
sumWeights += weights[i];
}
double prediction = 0.0;
for (int i = 0; i < xValues.size(); i++) {
prediction += weights[i] / sumWeights * (double)(zValues.get(i));
}
return prediction;
}
}
定义了一个“KrigingModel”类,它接受三个“Double”值的“ArrayLists ”,分别表示采样位置的x坐标、y坐标和z值。
“predict”方法采用未采样位置的x和y坐标,并使用克里金插值法返回估计的z值。 克里金模型基于半方差函数,半方差函数将采样位置对之间的空间相关性作为其分离距离的函数进行测量。在此代码中,我们使用简单的欧几里得距离作为分离度量,并假设一个具有块金效应、基台值和范围参数的球面半变异函数模型。 要估计模型参数,我们需要将半变异函数拟合到根据采样位置计算的经验半方差值。示例代码中不包括这一步,因为它需要额外的数值优化算法。