rThomas(spatstat)
rThomas()所属R语言包：spatstat
Simulate Thomas Process
模拟托马斯过程
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Generate a random point pattern, a realisation of the Thomas cluster process.
生成一个随机点模式，实现的托马斯聚类过程中。
用法----------Usage----------
rThomas(kappa, sigma, mu, win = owin(c(0,1),c(0,1)))
参数----------Arguments----------
参数：kappa
Intensity of the Poisson process of cluster centres. A single positive number.
聚类中心的泊松过程的强度。一个单正数。
参数：sigma
Standard deviation of displacement of a point from its cluster centre.
标准偏差的一个点，它的聚类中心的位移。
参数：mu
Expected number of points per cluster.
预计每个聚类点的数量。
参数：win
Window in which to simulate the pattern. An object of class "owin" or something acceptable to as.owin.
在模拟模式的窗口。类的一个对象"owin"或接受的as.owin的东西。
Details
详细信息----------Details----------
This algorithm generates a realisation of the Thomas process, a special case of the Neyman-Scott process.
该算法生成一个实现的的托马斯过程中，奈曼 - 斯科特过程中的特殊情况。
The algorithm generates a uniform Poisson point process of “parent” points with intensity kappa. Then each parent point is replaced by a random cluster of points, the number of points per cluster being Poisson (mu) distributed, and their positions being isotropic Gaussian displacements from the cluster parent location.
该算法产生一个均匀的泊松点过程中的“父”点与强度kappa。每个父点被替换为一个随机整群点，每个聚类泊松点的数量（mu）分布，其位置从聚类中的父各向同性高斯位移的位置。
This classical model can be fitted to data by the method of minimum contrast, using thomas.estK or kppm.
这个经典的模型，可以安装到数据的最低对比的方法，使用thomas.estK或kppm。
The algorithm can also generate spatially inhomogeneous versions of the Thomas process:
该算法还可以生成空间不均匀性版本的托马斯过程中：
The parent points can be spatially inhomogeneous. If the argument kappa is a function(x,y) or a pixel image (object of class "im"), then it is taken as specifying the intensity function of an inhomogeneous Poisson process that generates the parent points.
母公司点可以是空间上分布不均匀。如果参数kappa是function(x,y)或类的对象的像素的图像（"im"），然后它被当作指定的强度函数的非齐次泊松过程中产生的父点。
The offspring points can be inhomogeneous. If the argument mu is a function(x,y) or a pixel image (object of class "im"), then it is interpreted as the reference density for offspring points, in the sense of Waagepetersen (2006). For a given parent point, the offspring constitute a Poisson process with intensity function equal to mu(x,y) * f(x,y) where f is the Gaussian density centred at the parent point.
的后代可以是不均匀的。如果该参数mu是function(x,y)或像素图像（类的对象"im"），那么它被解释为后代点作为参考密度，在这个意义上Waagepetersen（2006年） 。对于给定的父点，的后代构成一个泊松过程强度函数等于mu(x,y) * f(x,y)其中f是高斯密度集中在母公司点的。
When the parents are homogeneous (kappa is a single number) and the offspring are inhomogeneous (mu is a function or pixel image), the model can be fitted to data using kppm, or using thomas.estK applied to the inhomogeneous K function.
当父母是同质的（kappa是单数）的后代是不均匀的（mu是一个函数或图像像素），该模型可以安装在数据使用kppm，或使用thomas.estK的不均匀K函数。
值----------Value----------
The simulated point pattern (an object of class "ppp").
的模拟点模式（类的一个对象"ppp"“）。
Additionally, some intermediate results of the simulation are returned as attributes of this point pattern. See rNeymanScott.
此外，一些中间的模拟结果返回作为这点图案的属性。见rNeymanScott。
（作者）----------Author(s)----------
Adrian Baddeley
<a href="mailto:Adrian.Baddeley@csiro.au">Adrian.Baddeley@csiro.au</a>
<a href="http://www.maths.uwa.edu.au/~adrian/">http://www.maths.uwa.edu.au/~adrian/</a>
and Rolf Turner
<a href="mailto:r.turner@auckland.ac.nz">r.turner@auckland.ac.nz</a>
参考文献----------References----------
An estimating function approach to inference for inhomogeneous Neyman-Scott processes. Submitted for publication.
参见----------See Also----------
rpoispp, rMatClust, rGaussPoisson, rNeymanScott, thomas.estK, kppm
rpoispp，rMatClust，rGaussPoisson，rNeymanScott，thomas.estK，kppm
实例----------Examples----------
#homogeneous[同质]
X <- rThomas(10, 0.2, 5)
#inhomogeneous[非均质]
Z <- as.im(function(x,y){ 5 * exp(2 * x - 1) }, owin())
Y <- rThomas(10, 0.2, Z)
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。
注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
|
发表于 2012-9-30 14:11:34
