[发明专利]一种基于概率密度估计的散点样本数据扩充方法

权利要求书

1.一种基于概率密度估计的散点样本数据扩充方法，其特征在于，包括以下步骤：

S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据；

S2分别为多个所述类型数据建立概率分布模型；

S3基于多个所述概率分布模型的概率分别建立多个概率方程，并基于多个所述概率方程将对应的所述概率分布模型进行初始化，得到多个初始化模型，设置多个所述初始化模型的迭代次数；

S4根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率；

S5更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计；

S6重复步骤S4和S5，直至相邻两个所述后验概率之差的绝对值小于预设阈值，或迭代次数达到上限阈值，得到最终分布模型；

S7基于所述最终分布模型，生成多个散点数据。

2.如权利要求1所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，

所述S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据的具体方式为：

S11通过所述流式细胞仪对所述样本进行采集，得到散点图测试结果样本；

S12将所述散点图测试结果样本作为散点数据生成模板，得到生成模板；

S13提取所述生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据。

3.如权利要求2所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，

所述S2分别为多个所述类型数据建立概率分布模型的具体方式为：

S21计算所述散点组的平均值和协方差矩阵；

S22基于所述平均值和所述协方差矩阵分别为多个所述类型数据建立概率分布模型。

4.如权利要求1所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，

所述S4根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率的具体方式为：

S41判断多个所述初始化模型中的其中一个所述迭代次数加1后的奇偶，当为奇数时执行S42，当为偶数时执行S43；

S42计算所述散点组中的对应一个的所述散点对应的所述概率分布模型的所述后验概率；

S43计算多个所述类型数据中的对应一类所述类型数据的所述后验概率；

S44重复步骤S41至S43，直至得出多个所述初始化模型的所述后验概率。

5.如权利要求3所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，

所述S5更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计的具体方式为：

更新多个所述初始化模型中的所述协方差矩阵和所述概率分布模型的参数，并对多个所述初始化模型的所述后验概率进行统计。

6.如权利要求1所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，

所述S7基于所述最终分布模型，生成多个散点数据的具体方式为：

S71随机生成坐标和整数；

S72将所述坐标和所述整数带入所述最终分布模型中，得到散点概率；

S73生成随机小数，若所述小数大于等于所述散点概率，则将所述坐标作为散点数据保存；

S74重复步骤S71至S74，得到多个所述散点数据。