CN114881314B - 基于多方向逼近的配方优化方法 - Google Patents

Abstract

本发明属于配方优化技术领域，具体涉及基于多方向逼近的配方优化方法。执行以下步骤：步骤1：建立配方的组分与效果的一维关联，包括：获取配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联；步骤2：建立配方的参数的二维关联，包括：对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联。其通过多维逼近和多方向的数据校正，大幅度提升了配方优化的准确性和可靠性，实现了自动化的配方优化。

Description

基于多方向逼近的配方优化方法

背景技术

在现实生活中，存在着大量的配方，这些配方为生产提供了重要指导。同时，依据配方生成的产品，也是生活中的重要用品。

而在实际过程中，配方的研发是一个非常耗时耗力的过程。现有技术中，针对配方的优化，一般采用多次重复的实验，不仅效率低，且因为实验过程中的误差，也很容易导致优化效果较差。

专利申请号为CN201310095412.3A的专利文献公开了一种基于遗传算法的固体推进剂配方能量优化设计方法，包括步骤：一、建模：根据最小自由能原理，建立固体推进剂的能量特性计算模型；二、初始参数设定与存储：输入固体推进剂所用的组分种数以及各组分的化学式和质量配比范围，同时输入固体推进剂燃烧后产生燃烧产物的种数以及各燃烧产物的化学式和相对分子质量或自燃烧产物数据库中选出所有燃烧产物；三、数据处理器调用遗传算法模块，对所设计固体推进剂的质量配比进行优化设计。

该方法虽然能快速获得固体推进剂具有最高比冲的最佳配比，能有效解决现有固体推进剂配方设计过程中存在的能量特性试验成本高、周期长、试验量大等缺陷。但由于该方法仅适用于固体推进剂，且对于优化的结果的有效性也没有很好的保证。

发明内容

有鉴于此，本发明的主要目的在于提供基于多方向逼近的配方优化方法，其通过多维逼近和多方向的数据校正，大幅度提升了配方优化的准确性和可靠性，实现了自动化的配方优化，具有优化效果好的优点。

为达到上述目的，本发明的技术方案是这样实现的：

基于多方向逼近的配方优化方法，所述方法执行以下步骤：

步骤1：建立配方的组分与效果的一维关联，包括：获取配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联；

步骤2：建立配方的参数的二维关联，包括：对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联；

步骤3：建立配方的参数的三维关联，包括：获取每次独立实验下的实验条件参数，再集合配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据、实验条件参数和对应的效果数据进行数据分析，确立每个组分、实验条件参数和效果的三维关联函数，作为三维关联；

步骤4：进行一维逼近优化，包括：分别独立地调整配方每个组分的数据，记录对应的效果数据，使得效果数据满足设定的第一条件，记录此时的每个组分的数据；

步骤5：在一维逼近优化的结果的基础上，进行二维逼近优化，包括：分别独立地按照同一变化趋势调整同一分组的两个组分的数据，使得效果数据满足设定的第二条件，记录此时的每个组分的数据，作为组分优化结果；

步骤6：在二维逼近优化的结果的基础上，进行三维逼近优化，包括：分别独立地调整实验条件参数，使得效果数据满足设定的第三条件，记录此时的每个实验条件参数，作为实验条件优化结果；

步骤7：将记录的实验条件优化结果和组分优化结果作为配方优化的结果。

进一步的，所述步骤1中对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联的方法包括：根据每次同一独立实验下的每个组分的历史数据和对应的效果数据的变化趋势，确定每个组分与效果的变化率的平均值，然后使用如下公式，确立一维关联为： 其中，Effect为效果，p为变化率的平均值，N为组分的数量，C为调整系数，取值范围为5～10；g为效果数据的均值，ε为组分的历史数据的均值；Component为组分；{}为关联函数符号，表示符号两侧的参数通过符号内的函数进行数学关联；为组分特征值，其取值为组分的历史数据的变化函数。

进一步的，所述组分的历史数据的变化函数通过如下方法得到：将组分的历史数据的在二维坐标系中标注为坐标点，依据标注的结果，绘制一条曲线，使得这条曲线与每个坐标点的垂直距离最短，基于该曲线，生成对应的函数，作为变化函数。

进一步的，所述步骤2中对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联的方法包括：首先将每个关联函数中对应的变化函数对应的曲线进行相似度分析，以计算变化函数的相似度，然后再计算变化率的平均值的相似度，若两者的相似度的加和结果为最大值，则将两个组分划分为同一分组，分组结果作为二维关联。

进一步的，所述对曲线进行相似度分析的方法包括：进行图像相似度分析，以计算曲线的相似度。

进一步的，所述方法还包括：进行数据修正的步骤；所述数据修正包括：输入通过将配方的每一个组分在每次独立实验下的历史数据、每次独立试验下对应的效果数据和实验条件参数分别进行相互连接，得到历史数据集合、效果数据集合和条件参数集合，所述历史数据集合、效果数据集合和条件参数集合构成总集合数据；执行将所述总集合数据映射到多方向空间上以生成方向数增大的映射矢量的方向数增大处理、以及恢复所述映射矢量的方向数以生成方向数恢复总集合数据的方向数恢复处理，从而针对所述图像中所述对象的每种类型的变动生成多个方向数恢复总集合数据；基于所述映射矢量来确定所述对象的变动；基于确定結果，将所述多个方向数恢复总集合数据相互整合，并且将整合结果作为修正后的数据输出。

进一步的，所述通过使用针对每种类型的变动而准备的多个映射集合将所述总集合数据映射到所述多方向空间上，生成多个方向数增大的映射矢量，并且使用所述多个映射集合来分别恢复所述多个映射矢量的方向数，从而生成多个方向数恢复总集合数据，并且所述确定単元基于所述多个映射矢量来确定所述对象的变动。

进一步的，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理和所述方向数恢复处理，来生成方向数增大的第一映射矢量以及第ー方向数恢复总集合数据，并且通过学习针对每种类型的变动的数据而生成的多个第二映射集合，针对所述第一方向数恢复总集合数据执行所述方向数增大处理和所述方向数恢复处理，来生成所述多个方向数恢复总集合数据，并且所述确定単元基于所述第一映射矢量来确定所述对象的变动。

进一步的，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理，来生成方向数增大的第一映射矢量，并且使用通过学习针对每种类型的变动的数据而生成的多个第二映射集合，由所述第一映射矢量生成所述多个方向数恢复总集合数据，并且所述确定単元基于所述第一映射矢量来确定所述对象的变动。

进一步的，所述多个第二映射集合中的每ー个均包括计算集合，所述计算集合是通过将使用所述第一映射集合来对所述第一映射矢量进行方向数恢复的计算、与通过学习针对每种类型的变动的数据而获得的映射集合来对所述第一映射矢量进行方向数增大和方向数恢复的计算进行组合而生成的。

本发明的基于多方向逼近的配方优化方法，具有如下有益效果：

1.准确率高：本发明通过数值校正的方式将配方的组分的数值进行优化，以此提升了配方优化的准确率。同时在进行配方优化的时候，使用数值逼近的方式，提升找到最佳数值的概率，进一步提升准确率。

2.优化效果好：本发明通过多维逼近，找到各个数值之间的潜在联系，由此找到配方优化的多种可能，以及在组分每个数值对应下的最佳实验条件参数，提升了优化的效果。

附图说明

图1为本发明实施例提供的基于多方向逼近的配方优化方法的方法流程示意图；

图2为本发明实施例提供的基于多方向逼近的配方优化方法的变化函数的生成的原理示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

实施例1

如图1所示，基于多方向逼近的配方优化方法，所述方法执行以下步骤：

步骤1：建立配方的组分与效果的一维关联，包括：获取配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联；

步骤2：建立配方的参数的二维关联，包括：对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联；

步骤3：建立配方的参数的三维关联，包括：获取每次独立实验下的实验条件参数，再集合配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据、实验条件参数和对应的效果数据进行数据分析，确立每个组分、实验条件参数和效果的三维关联函数，作为三维关联；

步骤4：进行一维逼近优化，包括：分别独立地调整配方每个组分的数据，记录对应的效果数据，使得效果数据满足设定的第一条件，记录此时的每个组分的数据；

步骤5：在一维逼近优化的结果的基础上，进行二维逼近优化，包括：分别独立地按照同一变化趋势调整同一分组的两个组分的数据，使得效果数据满足设定的第二条件，记录此时的每个组分的数据，作为组分优化结果；

步骤6：在二维逼近优化的结果的基础上，进行三维逼近优化，包括：分别独立地调整实验条件参数，使得效果数据满足设定的第三条件，记录此时的每个实验条件参数，作为实验条件优化结果；

步骤7：将记录的实验条件优化结果和组分优化结果作为配方优化的结果。

具体的，本发明通过三次的逼近，以确定配方最佳的组分和最佳的实验条件参数，以此实现配方的优化，相较于现有技术，其最终的结果更加准确，且配方优化的效果很好，主要通过以下几个过程实现：

1.多维逼近：在一维逼近的时候，可以发现每个组分与实验效果的关联，由此构建变化函数和一维关联。在二维逼近的时候则在一维逼近的基础上找到了同一变化趋势的两个组分，在此基础上，可以进一步发现两个关联组分对实验效果的影响。在实际过程中，关联的组分，两者同时增加或两者同时减少，对实验效果造成的影响相同。因此，可以在一个组分大幅度增加，另一个组分小幅度增加，可以达到同样的效果，借此可以发现组分的多种可能，由此发现配方优化的多种可能，进一步提升配方优化的效果。而在三维逼近的时候，则提供了进行实验条件参数最优化的选择，发现了实验的最佳条件参数，以此进一步提升配方优化的结果。

2.优化的逼近：本发明在进行配方优化，找到最佳参数的时候，采用的是数值逼近的方式，这样可以最大程度发现最佳数值，因为不断的逼近某个数值，观察实验效果的反馈，基于此前建立的关联关系，建立各个组分的最佳数值，实现配方优化。

实施例2

在上一实施例的基础上，所述步骤1中对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联的方法包括：根据每次同一独立实验下的每个组分的历史数据和对应的效果数据的变化趋势，确定每个组分与效果的变化率的平均值，然后使用如下公式，确立一维关联为： 其中，Effect为效果，p为变化率的平均值，N为组分的数量，C为调整系数，取值范围为5～10；g为效果数据的均值，ε为组分的历史数据的均值；Component为组分；{}为关联函数符号，表示符号两侧的参数通过符号内的函数进行数学关联；为组分特征值，其取值为组分的历史数据的变化函数。

实施例3

在上一实施例的基础上，所述组分的历史数据的变化函数通过如下方法得到：将组分的历史数据的在二维坐标系中标注为坐标点，依据标注的结果，绘制一条曲线，使得这条曲线与每个坐标点的垂直距离最短，基于该曲线，生成对应的函数，作为变化函数。

参考图2，将各个坐标点通过曲线进行拟合后，可以用变化函数来模拟拟合后的曲线。

实施例4

在上一实施例的基础上，所述步骤2中对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联的方法包括：首先将每个关联函数中对应的变化函数对应的曲线进行相似度分析，以计算变化函数的相似度，然后再计算变化率的平均值的相似度，若两者的相似度的加和结果为最大值，则将两个组分划分为同一分组，分组结果作为二维关联。

实施例5

在上一实施例的基础上，所述对曲线进行相似度分析的方法包括：进行图像相似度分析，以计算曲线的相似度。

具体的，图像相似度计算主要用于对于两幅图像之间内容的相似程度进行打分，根据分数的高低来判断图像内容的相近程度。可以用于计算机视觉中的检测跟踪中目标位置的获取，根据已有模板在图像中找到一个与之最接近的区域。然后一直跟着。已有的一些算法比如BlobTracking，Meanshift， Camshift，粒子滤波等等也都是需要这方面的理论去支撑。还有一方面就是基于图像内容的图像检索，也就是通常说的以图检图。比如给你某一个人在海量的图像数据库中罗列出与之最匹配的一些图像，当然这项技术可能也会这样做，将图像抽象为几个特征值，比如Trace变换，图像哈希或者Sift特征向量等等，来根据数据库中存得这些特征匹配再返回相应的图像来提高效率。

实施例6

在上一实施例的基础上，所述方法还包括：进行数据修正的步骤；所述数据修正包括：输入通过将配方的每一个组分在每次独立实验下的历史数据、每次独立试验下对应的效果数据和实验条件参数分别进行相互连接，得到历史数据集合、效果数据集合和条件参数集合，所述历史数据集合、效果数据集合和条件参数集合构成总集合数据；执行将所述总集合数据映射到多方向空间上以生成方向数增大的映射矢量的方向数增大处理、以及恢复所述映射矢量的方向数以生成方向数恢复总集合数据的方向数恢复处理，从而针对所述图像中所述对象的每种类型的变动生成多个方向数恢复总集合数据；基于所述映射矢量来确定所述对象的变动；基于确定結果，将所述多个方向数恢复总集合数据相互整合，并且将整合结果作为修正后的数据输出。

具体的，通过数据的校正，可以提升进行配方优化的准确性，在现实中，实验历史数据往往会存在数值误差的情况，通过这种校正，可以减少这种误差。

实施例7

在上一实施例的基础上，通过使用针对每种类型的变动而准备的多个映射集合将所述总集合数据映射到所述多方向空间上，生成多个方向数增大的映射矢量，并且使用所述多个映射集合来分别恢复所述多个映射矢量的方向数，从而生成多个方向数恢复总集合数据，并且所述确定単元基于所述多个映射矢量来确定所述对象的变动。

实施例8

在上一实施例的基础上，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理和所述方向数恢复处理，来生成方向数增大的第一映射矢量以及第ー方向数恢复总集合数据，并且通过学习针对每种类型的变动的数据而生成的多个第二映射集合，针对所述第一方向数恢复总集合数据执行所述方向数增大处理和所述方向数恢复处理，来生成所述多个方向数恢复总集合数据，并且所述确定単元基于所述第一映射矢量来确定所述对象的变动。

实施例9

在上一实施例的基础上，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理，来生成方向数增大的第一映射矢量，并且使用通过学习针对每种类型的变动的数据而生成的多个第二映射集合，由所述第一映射矢量生成所述多个方向数恢复总集合数据，并且所述确定単元基于所述第一映射矢量来确定所述对象的变动。

实施例10

在上一实施例的基础上，所述多个第二映射集合中的每ー个均包括计算集合，所述计算集合是通过将使用所述第一映射集合来对所述第一映射矢量进行方向数恢复的计算、与通过学习针对每种类型的变动的数据而获得的映射集合来对所述第一映射矢量进行方向数增大和方向数恢复的计算进行组合而生成的。

需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、QD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (10)

1.基于多方向逼近的配方优化方法，其特征在于，所述方法执行以下步骤：

步骤1：建立配方的组分与效果的一维关联，包括：获取配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联；

步骤2：建立配方的参数的二维关联，包括：对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联；

步骤3：建立配方的参数的三维关联，包括：获取每次独立实验下的实验条件参数，再集合配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据、实验条件参数和对应的效果数据进行数据分析，确立每个组分、实验条件参数和效果的三维关联函数，作为三维关联；

步骤4：进行一维逼近优化，包括：分别独立地调整配方每个组分的数据，记录对应的效果数据，使得效果数据满足设定的第一条件，记录此时的每个组分的数据；

步骤5：在一维逼近优化的结果的基础上，进行二维逼近优化，包括：分别独立地按照同一变化趋势调整同一分组的两个组分的数据，使得效果数据满足设定的第二条件，记录此时的每个组分的数据，作为组分优化结果；

步骤6：在二维逼近优化的结果的基础上，进行三维逼近优化，包括：分别独立地调整实验条件参数，使得效果数据满足设定的第三条件，记录此时的每个实验条件参数，作为实验条件优化结果；

步骤7：将记录的实验条件优化结果和组分优化结果作为配方优化的结果。

2.如权利要求1所述的方法，其特征在于，所述步骤1中对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联的方法包括：根据每次同一独立实验下的每个组分的历史数据和对应的效果数据的变化趋势，确定每个组分与效果的变化率的平均值，然后使用如下公式，确立一维关联为：

其中，Effect为效果，p为变化率的平均值，N为组分的数量，C为调整系数，取值范围为5～10；g为效果数据的均值，ε为组分的历史数据的均值；Component为组分；{}为关联函数符号，表示符号两侧的参数通过符号内的函数进行数学关联；

为组分特征值，其取值为组分的历史数据的变化函数。

3.如权利要求2所述的方法，其特征在于，所述组分的历史数据的变化函数通过如下方法得到：将组分的历史数据的在二维坐标系中标注为坐标点，依据标注的结果，绘制一条曲线，使得这条曲线与每个坐标点的垂直距离最短，基于该曲线，生成对应的函数，作为变化函数。

4.如权利要求3所述的方法，其特征在于，所述步骤2中对每个组分和 效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应 的两个组分划分为同一分组，分组结果作为二维关联的方法包括：首先将每 个关联函数中对应的变化函数对应的曲线进行相似度分析，以计算变化函数 的相似度，然后再计算变化率的平均值的相似度，若两者的相似度的加和结 果为最大值，则将两个组分划分为同一分组，分组结果作为二维关联。

5.如权利要求4所述的方法，其特征在于，所述对曲线进行相似度分析的方法包括：进行图像相似度分析，以计算曲线的相似度。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：进行数据修正的步骤；所述数据修正包括：输入通过将配方的每一个组分在每次独立实验下的历史数据、每次独立试验下对应的效果数据和实验条件参数分别进行相互连接，得到历史数据集合、效果数据集合和条件参数集合，所述历史数据集合、效果数据集合和条件参数集合构成总集合数据；执行将所述总集合数据映射到多方向空间上以生成方向数增大的映射矢量的方向数增大处理，得到一个图像，每个图像中包含多个对象，以及恢复所述映射矢量的方向数以生成方向数恢复总集合数据的方向数恢复处理，从而针对所述图像中所述对象的每种类型的变动生成多个方向数恢复总集合数据；基于所述映射矢量来确定所述对象的变动；基于确定結果，将所述多个方向数恢复总集合数据相互整合，并且将整合结果作为修正后的数据输出。

7.如权利要求6所述的方法，其特征在于，通过使用针对每种类型的变动而准备的多个映射集合将所述总集合数据映射到所述多方向空间上，生成多个方向数增大的映射矢量，并且使用所述多个映射集合来分别恢复所述多个映射矢量的方向数，从而生成多个方向数恢复总集合数据，并且基于所述多个映射矢量来确定所述对象的变动。

8.如权利要求7所述的方法，其特征在于，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理和所述方向数恢复处理，来生成方向数增大的第一映射矢量以及第ー方向数恢复总集合数据，并且通过学习针对每种类型的变动的数据而生成的多个第二映射集合，针对所述第一方向数恢复总集合数据执行所述方向数增大处理和所述方向数恢复处理，来生成所述多个方向数恢复总集合数据，并且基于所述第一映射矢量来确定所述对象的变动。

9.如权利要求8所述的方法，其特征在于，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理，来生成方向数增大的第一映射矢量，并且使用通过学习针对每种类型的变动的数据而生成的多个第二映射集合，由所述第一映射矢量生成所述多个方向数恢复总集合数据，并且基于所述第一映射矢量来确定所述对象的变动。

10.如权利要求9所述的方法，其特征在于，所述多个第二映射集合中的每ー个均包括计算集合，所述计算集合是通过将使用所述第一映射集合来对所述第一映射矢量进行方向数恢复的计算、与通过学习针对每种类型的变动的数据而获得的映射集合来对所述第一映射矢量进行方向数增大和方向数恢复的计算进行组合而生成的。

Images