کارآیی روش های تطبیق قالب برای شبیه سازی آمار چند نقطه ای

تقریبا تمام روش های چند نقطه آمار[1] (mps) از یک روش تطبیق الگو برای انتخاب الگوهایی که بهترین تطابق را با داده­های شرطی دارند، استفاده می­کنند. هدف از این مقاله تجزیه و تحلیل عملکرد ده تکنیک مرسوم در تطبیق الگویی در الگوریتم mps می­باشد. عملکرد این تکنیک­ها بر اساس توان محاسباتی[2]، دقت و میزان استفاده از حافظه اندازه گیری می شود این روشها با استفاده از تصاویر آموزشی[3](ti) دسته بندی شده و پیوسته مورد ارزیابی قرار می­گیرند. تجزیه و تحلیل روش­ها شامل توانایی آنها در مکان یابی سریع و با حداقل خطا یک رخداد داده[4] با یک نسبت خاصی از پیکسل های شناخته شده و مقدار مشخصی از نویز می­باشد. بررسی­ها نشان می دهد که روش درشت به ریز با استفاده از آنتروپی[5] (cfe) در همه پیکربندی ها سریعترین روش است.  روشهای پرش نیز از نظر سرعت کارآمدی خوبی دارند. از نظر دقت و بدون نویز همه روشها به جز cfe و همبستگی متقابل[6] (cc) به خوبی عمل می کنند. اگر ti نرمال نشده باشد، cc در تمام ساختارها کمترین دقت را دارد.  این روش وقتی از تصاویر آموزشی نرمال­شده استفاده می شود، بهتر عمل می کند. روش مجموع دودویی تفاوت مطلق[7](bsad) در برابر نویز بسیار مقاوم است و بهترین پاسخ را دارد.  نهایتاً، از نظر استفاده از حافظه ،cfe بدترین روش در بین ده روش مورد آزمایش است و روشهای دیگر در این معیار تفاوت قابل توجهی با یکدیگر ندارند.