基于MATLAB的径向基函数插值(RBF插值)(一维、二维、三维)

基于MATLAB的径向基函数插值(RBF插值)(一维、二维、三维)

  • 0 前言
  • 1 RBF思路
  • 2 1维RBF函数
    • 2.1 参数说明
    • 2.1.1 核函数选择
    • 2.1.2 作用半径
    • 2.1.3 多项式拟合
    • 2.1.4 误差项(光滑项)
  • 3 2维RBF函数
  • 4 3维RBF函数

惯例声明:本人没有相关的工程应用经验,只是纯粹对相关算法感兴趣才写此博客。所以如果有错误,欢迎在评论区指正,不胜感激。本文主要关注于算法的实现,对于实际应用等问题本人没有任何经验,所以也不再涉及。

0 前言

插值是一个工程中非常常见的扩展数据方法。通常数据测量数量永远是已知的,数据的储存空间也是有限的,但工程中的数据需求却永远是无限的。

如何用较少位置处的数据点来推广到任意位置处的数据点,是工程中常见的问题。其中径向基函数RBF插值具有不依赖数据网格的特点,省去了传统插值的网格剖分,是一种基于拟合的插值。

本文主要注重于具有几何意义上的RBF插值,所以只列举了一维二维和三维插值,更高维插值数据可以稍加改写代码就可以实现,本文也不再涉及。

本文的参考文献如下:
[1]Meshfree Approximation Methods with MATLAB.Gregory E. Fasshauer.

1 RBF思路

径向基函数的大概原理是利用一系列函数叠加,对原函数进行拟合。也就是:
F ( x ) = ∑ w i ∗ f i ( x 0 , x ) F(x)=\sum w_i*f_i(x_0,x) F(x)=wifi(x0,x)
其中f(x0,x)为基函数,是中心对称函数,函数中心点在x0上。w为每个函数的权重。

因此,只需要求出权重w,就可以利用基函数在各个点的值,计算出整个域的函数。而求解权重,也是一个简单的线性代数问题,直接用线性方程组求逆的方式就可以得到。

因此,RBF方法也具有原理简单,编程容易的特点。

下面用一个简单的例子来解释。

首先问题假设如下,我有下面6个点的数据(xi,yi),想插值出蓝色的曲线结果,该如何处理?
请添加图片描述
那么第一步,我们构造核函数。这里选用高斯函数作为核函数:
请添加图片描述
总共构造6个核函数f(x,xi),每个核函数中心点在xi上。
f i ( x ) = e x p ( − ( x − x i ) 2 / 2 / s 2 ) f_i(x)=exp(-(x-x_i)^2/2/s^2) fi(x)=exp((xxi)2/2/s2)
每个函数乘以权重,可以得到当前基函数对应各个点的数值。以第一个基函数为例:
w 1 ∗ [ f 1 ( x 1 ) f 1 ( x 2 ) f 1 ( x 3 ) f 1 ( x 4 ) f 1 ( x 5 ) f 1 ( x 6 ) ] w_1* \begin{bmatrix} f_1(x_1)\\ f_1(x_2)\\ f_1(x_3)\\ f_1(x_4)\\ f_1(x_5)\\ f_1(x_6)\\ \end{bmatrix} w1 f1(x1)f1(x2)f1(x3)f1(x4)f1(x5)f1(x6)
则原函数F(x)可以计算为:
F ( x ) = ∑ w i ∗ f i ( x ) F(x)=\sum w_i*f_i(x) F(x)=wifi(x) = ∑ w i ∗ [ f i ( x 1 ) f i ( x 2 ) f i ( x 3 ) f i ( x 4 ) f i ( x 5 ) f i ( x 6 ) ] =\sum w_i*\begin{bmatrix} f_i(x_1)\\ f_i(x_2)\\ f_i(x_3)\\ f_i(x_4)\\ f_i(x_5)\\ f_i(x_6)\\ \end{bmatrix} =wi fi(x1)fi(x2)fi(x3)fi(x4)fi(x5)fi(x6) = [ f 1 ( x 1 ) f 2 ( x 1 ) f 3 ( x 1 ) f 4 ( x 1 ) f 5 ( x 1 ) f 6 ( x 1 ) f 1 ( x 2 ) f 2 ( x 2 ) f 3 ( x 2 ) f 4 ( x 2 ) f 5 ( x 2 ) f 6 ( x 2 ) f 1 ( x 3 ) f 2 ( x 3 ) f 3 ( x 3 ) f 4 ( x 3 ) f 5 ( x 3 ) f 6 ( x 3 ) f 1 ( x 4 ) f 2 ( x 4 ) f 3 ( x 4 ) f 4 ( x 4 ) f 5 ( x 4 ) f 6 ( x 4 ) f 1 ( x 5 ) f 2 ( x 5 ) f 3 ( x 5 ) f 4 ( x 5 ) f 5 ( x 5 ) f 6 ( x 5 ) f 1 ( x 6 ) f 2 ( x 6 ) f 3 ( x 6 ) f 4 ( x 6 ) f 5 ( x 6 ) f 6 ( x 6 ) ] ∗ [ w 1 w 2 w 3 w 4 w 5 w 6 ] = \begin{bmatrix} f_1(x_1)&f_2(x_1)&f_3(x_1)&f_4(x_1)&f_5(x_1)&f_6(x_1)\\ f_1(x_2)&f_2(x_2)&f_3(x_2)&f_4(x_2)&f_5(x_2)&f_6(x_2)\\ f_1(x_3)&f_2(x_3)&f_3(x_3)&f_4(x_3)&f_5(x_3)&f_6(x_3)\\ f_1(x_4)&f_2(x_4)&f_3(x_4)&f_4(x_4)&f_5(x_4)&f_6(x_4)\\ f_1(x_5)&f_2(x_5)&f_3(x_5)&f_4(x_5)&f_5(x_5)&f_6(x_5)\\ f_1(x_6)&f_2(x_6)&f_3(x_6)&f_4(x_6)&f_5(x_6)&f_6(x_6)\\ \end{bmatrix}* \begin{bmatrix} w_1\\ w_2\\ w_3\\ w_4\\ w_5\\ w_6\\ \end{bmatrix} = f1(x1)f1(x2)f1(x3)f1(x4)f1(x5)f1(x6)f2(x1)f2(x2)f2(x3)f2(x4)f2(x5)f2(x6)f3(x1)f3(x2)f3(x3)f3(x4)f3(x5)f3(x6)f4(x1)f4(x2)f4(x3)f4(x4)f4(x5)f4(x6)f5(x1)f5(x2)f5(x3)f5(x4)f5(x5)f5(x6)f6(x1)f6(x2)f6(x3)f6(x4)f6(x5)f6(x6) w1w2w3w4w5w6
然后利用线性代数方式,就可以得到系数w。
则原函数F可以利用这些个基函数叠加得到:
在这里插入图片描述
叠加后的函数和原函数对比见下图:
在这里插入图片描述可以看到计算结果还可以,曲线过渡也比较光滑。

如果已知的插值点更多,还可以拟合的更好。下图为10个已知点进行插值的结果,和预想曲线几乎重合。
在这里插入图片描述

上面代码如下:

%RBF基本原理
clear
clc
close all%插值点
x0=0.2:0.5:3;
y0=sin(2*pi*0.5*x0)+cos(2*pi*0.8*x0)+2;
%原函数
x2=0:0.02:3;
y2=sin(2*pi*0.5*x2)+cos(2*pi*0.8*x2)+2;figure()
hold on
plot(x2,y2)
plot(x0,y0,'o','MarkerSize',8)
hold off%1构造函数
N_k=length(x0);%构造函数的数量
RBF_Kernel=cell(N_k,1);
for k=1:N_kx_k=x0(k);%中心位置,插值节点RBF_Kernel_k=@(x) exp(-(x-x_k).^2/2/0.3^2);%正态函数RBF_Kernel{k}=RBF_Kernel_k;%储存每个函数
end%2计算出插值矩阵
InterpMat=zeros(N_k,N_k);
for k=1:N_kRBF_phi_k=RBF_Kernel{k}(x0);%计算出当前正态函数InterpMat(:,k)=RBF_phi_k(:);%插值矩阵每一列储存的都是对应的正态函数
end%3利用插值矩阵求解出每个高斯函数的权重
%∑φ(k)*w(k)=InterpMat*w=y0,可以线性求逆直接得到系数w
w=InterpMat\y0';%绘制出每个正态函数
figure()
hold on
mcp=colormap('lines');
for k=1:N_kRBF_phi2_k=RBF_Kernel{k}(x2)*w(k);plot(x2,RBF_phi2_k,'Color',mcp(k,:))plot([x0(k),x0(k)],[0,RBF_Kernel{k}(x0(k))*w(k)],'Color',mcp(k,:),'LineStyle','--')
end
plot(x2,y2,'Color','k','LineWidth',2)
hold off%绘制出最终相加的结果
y_RBF=zeros(size(y2));
for k=1:N_ky_RBF=y_RBF+RBF_Kernel{k}(x2)*w(k);%叠加每一个正态函数
end
figure()
hold on
plot(x2,y2)
plot(x2,y_RBF,'--')
plot(x0,y0,'o','MarkerSize',8)
legend({'原函数','RBF插值结果'},'Location','best')

2 1维RBF函数

下面为1维RBF函数插值的代码,基本思路和上面第一章节的一样。但是对于计算速度和输入输出等方面简单做了一些优化。

计算结果如下:
请添加图片描述

代码如下:

clear
clc
close all%初始已知点
x0=0:0.1:3;
y0=sin(2*pi*0.5*x0)+cos(2*pi*0.8*x0)+2+0.02*rand(size(x0));x=(-1:0.01:4);
y=RBF1(x0,y0,x,'gaussian',0.3,0,0.001);figure()
hold on
plot(x0,y0,'o')
plot(x,y)
hold offfunction y=RBF1(x0,y0,x,Method,Rs,Npoly,Error)
%一维RBF插值,输入x0散点,y0值。x是输出插值得到的点。
%Method方法,默认'linear'。
%'linear',|R|
%'gaussian',exp(-(R/Rs)^2)
%'thin_plate',R^2*log(R)
%'linearEpsR',|R|。分段线性插值,要求s更大一些
%'cubic',|R^3|%Rs,插值核作用半径。Rs对于'linear','cubic','thin_plate'无影响。Rs大概和点和点之间的距离差不多就行。
%Npoly多项式拟合。默认是1,只拟合1次项。
%Error误差。在(-∞,∞)区间。默认是0,无误差。表示可以在部分误差范围内去插值。
%Error一般在0~1之内。如果只是为了收敛,可以比较小,在0.1以内就可以有很好效果;如果想实现平滑,可适当增大,大于1。%示例:x0=0:0.3:pi;y0=sin(2*x0)+0.2*x0;x=-1:0.01:4;y=RBF1(x0,y0,x,'linear',0.2,1,0.0);
%示例:x0=0:0.1:3;y0=0.25*x0.^2-0.5*x0+0.1*rand(size(x0));x=-1:0.01:4;y=RBF1(x0,y0,x,'gaussian',0.3,2,0.01);N=length(x0);%点的数量,也是RBF核的数量
%整理为列向量
x0=x0(:);
y0=y0(:);
x=x(:);%函数默认信息
if nargin<4 || isempty(Method)Method='linear';%默认线性核函数
elseif nargin<5 || isempty(Rs)Rs=1.1*(max(x0)-min(x0))/N;%假设空间均匀分布
elseif nargin<6 || isempty(Npoly)Npoly=1;%默认拟合1次项
elseif nargin<7 || isempty(Error)Error=0;%默认输入数据没有误差
end%选择核函数
K_method=0;
switch Methodcase 'linear'K_method=1;fun=@(RMat) Kernel_Linear(RMat,Rs);case 'gaussian'K_method=2;fun=@(RMat) Kernel_Gaussian(RMat,Rs);Error=-Error;%因为零点不是零,远点是0,所以这里误差为负case 'thin_plate'K_method=3;fun=@(RMat) Kernel_Thin_plate(RMat,Rs);case 'linearEpsR'K_method=4;fun=@(RMat) Kernel_LinearEpsR(RMat,Rs);Error=-Error;%因为零点不是零,远点是0,所以这里误差为负
end%将原始数据分离出多项式项Npoly
if Npoly==0C=ones(N,1);%常数项wC=mean(y0);
elseif Npoly==1C=[ones(N,1),x0];%常数项+一次项wC=C\y0;
elseif Npoly==2C=[ones(N,1),x0,x0.^2];%常数项+一次项+二次项wC=C\y0;
elseerror('只支持Npoly=0,1,2')
end
yC=C*wC;%多项式项
y1=y0-yC;%计算每个基函数在各个点的值
K2=zeros(N);%每一列对应一个函数
%计算距离矩阵
DisMat=squareform(pdist(x0));
K3=fun(DisMat);%每一个核函数的中心点在节点上
K3=K3-Error*eye(N);%把误差函数加入w=K3\y1;%计算权重%根据权重计算插值
y=zeros(size(x));
for k=1:N %计算每个核的贡献,然后叠加R_k=abs(x-x0(k));yt=w(k)*fun(R_k );%plot(t,yt);y=y+yt;
endNOut=length(y);
%再还原回多项式项
if Npoly==0C=ones(NOut,1);%常数项
elseif Npoly==1C=[ones(NOut,1),x];%常数项+一次项
elseif Npoly==2C=[ones(NOut,1),x,x.^2];%常数项+一次项+二次项
end
y=y+C*wC;%再加上多项式项%检查结果
if max(abs(w))/max(abs(y1))>1e3warning('结果未收敛,建议调整误差Error');
elseif (max(y)-min(y))>5*(max(y0)-min(y0))warning('结果未收敛,建议增大区间Eps,或者调整误差Error');
endendfunction z=Kernel_Linear(R,s)
%R距离
z=abs(R);%线性函数
endfunction z=Kernel_Gaussian(R,s)
%R距离
%s大概和采样点间距差不多就行,可以略大(更胖)
z=exp(-R.^2/2/s^2);%正态函数
endfunction z=Kernel_Thin_plate(R,s)
%R距离
z=R.^2.*log(R);%thin_plate
endfunction z=Kernel_LinearEpsR(R,s)
%R距离
%s大概和采样点间距差不多就行,可以略大(更胖)
s=2*s;%这里要更大
z=s-R;%线性函数
z(z<0)=0;
end

2.1 参数说明

下面说一下上面函数RBF1的后面各项参数结果:

y=RBF1(x0,y0,x,Method,Rs,Npoly,Error)

2.1.1 核函数选择

RBF函数的核函数有非常多种,比如高斯函数、线性函数、薄板函数等。

下面以分别选择高斯函数和线性函数作为核函数的RBF进行对比:

clear
clc
close all%初始已知点
x0=0:0.1:3;
y0=sin(2*pi*0.5*x0)+cos(2*pi*0.8*x0)+2+0.02*rand(size(x0));x=(-1:0.01:4);
y=RBF1(x0,y0,x,'gaussian',0.3,0,0.001);figure()
hold on
plot(x0,y0,'o')
plot(x,y)
hold off

在这里插入图片描述
可以看到线性核函数的效果相当于线性插值,而高斯核函数对峰值的拟合预测很好,各有侧重点。

事实上,核函数的选择对RBF插值有重要影响,不同核函数对应着不同的场景。

2.1.2 作用半径

对于某些核函数,还需要确定其作用半径。比如对于高斯函数,半径越大,核越宽。

对于高斯函数,作用半径通常要大于两个散点之间距离,但最好不要太大。如果太小,会导致每个点都是一个孤立的峰。如果太大,会导致求系数时方程求解困难。

下面代码展示了作用半径为0.05、0.3和0.8半径的插值效果。

%初始节点
x0=0:0.3:3;
y0=sin(2*pi*0.5*x0)+cos(2*pi*0.8*x0)+2+0.02*rand(size(x0));x=(-1:0.01:4);
y=RBF1(x0,y0,x,'gaussian',0.3,0,0.01);
y3=RBF1(x0,y0,x,'gaussian',0.05,0,0.0001);
y4=RBF1(x0,y0,x,'gaussian',0.8,0,0.0001);
figure()
hold on
plot(x,y3)
plot(x,y)
plot(x,y4)
plot(x0,y0,'o')
hold off
legend({'Rs=0.05','Rs=0.3','Rs=0.7'},'location','best')
ylim([-0.5,4.5])

请添加图片描述
可以看到上面每个点的间距为0.2。当Rs很小的时候,每个点只有一个孤立的高斯峰。当Rs大于间距时,比如Rs=0.3和0.7,都可以求解出结果。

但当Rs比较大,比如Rs=0.7时,会出现计算很奇怪的解,比如系数w特别大。这种如果适当的加一小点误差Error(有一点就行,1e-3量级的已经足够了),放宽求解精度,可以避免这种系数w很大不收敛的情况。

2.1.3 多项式拟合

本RBF插值函数默认带一个常数项。因为像高斯函数等函数无穷大处是0,对于本身数值在0附近的函数插值效果还可以,但是函数距离x轴很远时,再用这些基函数去拟合效果就会非常差。

因此在RBF插值之前,需要先求出常数项C,然后将所有散点的yi减去这个常数项C。之后计算完系数再插值后,再把这个常数项C加上。

一次项也是同样的原理,就是先拟合出y’=kx+b,然后把所有散点yi-y’,得到计算系数用的y值。之后再把这个一次项加上即可。

通常常数项一般就够,除非数据有很明显的线性度。

下面代码展示了常数项和一次项对比插值的效果:

x0=0:0.3:3;
x=(-1:0.01:4);
y0=sin(2*pi*0.5*x0)+cos(2*pi*0.8*x0)+1+2*x0+0.02*rand(size(x0));
y1=RBF1(x0,y0,x,'gaussian',0.3,0,0.0001);
y2=RBF1(x0,y0,x,'gaussian',0.3,1,0.0001);
figure()
hold on
plot(x,y1)
plot(x,y2)
plot(x0,y0,'o')
hold off
legend({'常数项','一次项'},'location','best')

请添加图片描述

2.1.4 误差项(光滑项)

当数据采集具有一定的误差,或者计算不需要完全贴合每一个点的数据,或者拟合出的曲线太曲折需要光滑,或者计算出的系数w过大甚至不收敛,都可以适当的添加误差项来解决。

其中系数w不收敛的问题,可能是由于核半径Rs过大,或者原始数据本身不太好导致的。适当添加一点误差,1e-3甚至更小,就可以解决这个问题。

而如果想要消除误差,光滑曲线,则需要较大的数,比如0.2,甚至超过1。这个根据具体效果来看。

这个的原理是直接在矩阵K的对角线上减去一个数。这样可以略微放宽求解的约束,使得节点处的数值不一定是控制点数值。

下面展示了添加了随机项后,大误差和小误差项的对比代码和结果:

x0=0:0.1:3;
y0=sin(2*pi*0.5*x0)+cos(2*pi*0.8*x0)+1+0.4*randn(size(x0));
x=(-0.0:0.01:3.0);
y1=RBF1(x0,y0,x,'gaussian',0.15,0,0.0001);
y2=RBF1(x0,y0,x,'gaussian',0.15,0,0.3);figure()
hold on
plot(x,y1)
plot(x,y2)
plot(x0,y0,'o')
hold off
legend({'小误差项','大误差项'},'location','best')

请添加图片描述
可以看到小误差项,曲线经过了每一个散点。大误差项,曲线只是大致经过了散点。

3 2维RBF函数

二维RBF函数的原理和一维相同。

z=RBF2(x0,y0,z0,x,y,Method,Rs,Npoly,ExtrapMethod,Error)

其中x0、y0是已知散点,z0是对应的值。然后要插值出x、y对应的值。

二维RBF函数额外考虑了外插的方法。通常并不建议数据外插,因为缺乏足够的信息。

本函数总共考虑了三种外插方法:
第一个是’rbf’,其实就是RBF方法算出来多少就是多少。
第二个是’nearest’,就是不外插,超出包线的点的数值直接等于相邻数据点数值。
第三个是’ploy’,是多项式外插,超出包线的点,按照多项式拟合的值计算得到,适用于波动不大的数据。
推荐’rbf’方法,因为不需要计算包线,如果不怎么考虑外插的话,非常节省时间。

下面展示了二维RBF插值计算的结果:
在这里插入图片描述
可以看到RBF插值可以较好的拟合出预期的效果。

展示的代码如下:

clear
clc
close all%初始节点
N=60;
x0=rand(N,1)*6-3;%-3~3
y0=rand(N,1)*6-3;%-3~3
z0=peaks(x0,y0)+0.05*x0;[x,y]=meshgrid(-5:0.02:5);
%二维RBF插值
z3=RBF2(x0,y0,z0,x,y,'gaussian',0.5,1,'rbf',0.001);z=zeros(size(x));z(:)=z3(:);figure()
hold on
surf(x,y,z,'EdgeColor','none');
scatter3(x0,y0,z0)
hold offfunction z=RBF2(x0,y0,z0,x,y,Method,Rs,Npoly,ExtrapMethod,Error)
%二维RBF插值,输入x0,y0散点,z0值。x,y是输出插值得到的点。
%Method方法,默认'linear'。
%'linear',|R|
%'gaussian',exp(-(R/Rs)^2)
%'thin_plate',R^2*log(R)
%'linearEpsR',|R|。分段线性插值,要求s更大一些
%'cubic',|R^3|%Rs,插值核作用半径。Rs对于'linear','cubic','thin_plate'无影响。Rs大概和点和点之间的距离差不多就行。
%Npoly多项式拟合。默认是1,只拟合1次项。
%ExtrapMethod,外插方法。某个数,全部赋值为这个数。'nearest',按照临近值外插。'ploy',多项式外插。'rbf',默认用RBF插值得到的值。
%Error误差。在(-∞,∞)区间。默认是0,无误差。表示可以在部分误差范围内去插值。
%Error一般在0~1之内。如果只是为了收敛,可以比较小,在0.1以内就可以有很好效果;如果想实现平滑,可适当增大,大于1。%示例:N=numel(x0);%点的数量,也是RBF核的数量
%整理为列向量
x0=x0(:);
y0=y0(:);
z0=z0(:);
x=x(:);
y=y(:);
%计算包线
[k_ch,V]=convhull(x0,y0);
if V<=0warning('输入散点过于集中');
end
%函数默认信息
narginchk(5,10)
if nargin<7 || isempty(Method)Method='linear';%默认线性核函数
elseif nargin<8 || isempty(Rs)Rs=1.1*(max(x0)-min(x0))/N;%假设空间均匀分布
elseif nargin<9 || isempty(Npoly)Npoly=1;%默认拟合1次项
elseif nargin<10 || isempty(Npoly)ExtrapMethod='rbf';%默认不外插
elseif nargin<11 || isempty(Error)Error=0;%默认输入数据没有误差
end%选择核函数
switch Methodcase 'linear'fun=@(RMat) Kernel_Linear(RMat,Rs);case 'gaussian'fun=@(RMat) Kernel_Gaussian(RMat,Rs);Error=-Error;%因为零点不是零,远点是0,所以这里误差为负case 'thin_plate'fun=@(RMat) Kernel_Thin_plate(RMat,Rs);case 'linearEpsR'fun=@(RMat) Kernel_LinearEpsR(RMat,Rs);Error=-Error;%因为零点不是零,远点是0,所以这里误差为负
end%将原始数据分离出多项式项Npoly
if Npoly==0C=ones(N,1);%常数项wC=mean(z0);
elseif Npoly==1if N<2;warning('点数太少,建议Npoly等于0');endC=[ones(N,1),x0,y0];%常数项+一次项wC=C\z0;
elseif Npoly==2if N<5;warning('点数太少,建议Npoly等于1');endC=[ones(N,1),x0,y0,x0.^2,y0.^2,x0.*y0];%常数项+一次项+二次项wC=C\z0;
elseerror('只支持Npoly=0,1,2')
end
zC=C*wC;%多项式项
z1=z0-zC;%计算距离矩阵
DisMat=squareform(pdist([x0,y0]));
K3=fun(DisMat);%每一个核函数的中心点在节点上
K3=K3-Error*eye(N);%把误差函数加入w=K3\z1;%计算权重%根据权重计算插值
z=zeros(size(x));
for k=1:N %计算每个核的贡献,然后叠加R_k=sqrt((x-x0(k)).^2+(y-y0(k)).^2);zt=w(k)*fun(R_k );z=z+zt;
endNOut=length(z);
%再还原回多项式项
if Npoly==0C=ones(NOut,1);%常数项
elseif Npoly==1C=[ones(NOut,1),x,y];%常数项+一次项
elseif Npoly==2C=[ones(NOut,1),x,y,x.^2,y.^2,x.*y];%常数项+一次项+二次项
end
zC2=C*wC;%再加上多项式项%判断外插方法
Inpoly=inpolygon(x,y,x0(k_ch),y0(k_ch));%多边形内
indxInpoly=find(Inpoly);
if isnumeric(ExtrapMethod)z(Inpoly)=z(Inpoly)+zC1(Inpoly);%内部的正常z(~Inpoly)=ExtrapMethod;%外部的固定值
elseif ischar(ExtrapMethod)switch ExtrapMethodcase 'rbf'z=z+zC2;%再加上多项式项case 'ploy'z(Inpoly)=z(Inpoly)+zC2(Inpoly);%内部的正常z(~Inpoly)=zC2(~Inpoly);%外部的直接用多项式值case 'nearest'z(Inpoly)=z(Inpoly)+zC2(Inpoly);%内部的正常%找到最近的点F = scatteredInterpolant(x(Inpoly),y(Inpoly),z(Inpoly),'nearest','nearest');%外部的直接插值z(~Inpoly)=F(x(~Inpoly),y(~Inpoly));end
elseerror('未识别ExtrapMethod')
end%检查结果
if max(abs(w))/max(abs(z1))>1e3warning('结果未收敛,建议调整误差Error');
elseif (max(z)-min(z))>5*(max(z0)-min(z0))warning('结果未收敛,建议增大区间Eps,或者调整误差Error');
endendfunction z=Kernel_Linear(R,s)
%R距离
z=abs(R);%线性函数
endfunction z=Kernel_Gaussian(R,s)
%R距离
%s大概和采样点间距差不多就行,可以略大(更胖)
z=exp(-R.^2/2/s^2);%正态函数
endfunction z=Kernel_Thin_plate(R,s)
%R距离
z=R.^2.*log(R);%thin_plate
endfunction z=Kernel_LinearEpsR(R,s)
%R距离
%s大概和采样点间距差不多就行,可以略大(更胖)
s=2*s;%这里要更大
z=s-R;%线性函数
z(z<0)=0;
end

4 3维RBF函数

计算方法和二维的方法一致。其实更高维的数据计算方法也相差不多。
对于实际工程的几何插值使用,最高维度也就是三维。对于其它应用可能还是需要高维的插值,本文暂不涉及,由于RBF代码较为简单,因此稍加改动即可更改为高维RBF插值结果。

三维RBF函数的原理和二维也相同。

P=RBF3(x0,y0,z0,P0,x,y,z,Method,Rs,Npoly,ExtrapMethod,Error)

其中x0、y0、z0是已知散点,P0是对应的值。然后要插值出x、y、z对应的值。

下面展示了三维RBF插值计算的结果和对应代码:

在这里插入图片描述

clear
clc
close all%初始节点
N=1000;
x0=rand(N,1)*6-3;%-3~3
y0=rand(N,1)*6-3;%-3~3
z0=rand(N,1)*6-3;%-3~3
P0=sin(1*pi*x0)+cos(1.5*pi*y0)+sin(1*pi*z0)+1;[x,y,z]=meshgrid(-5:0.2:5);P3=RBF3(x0,y0,z0,P0,x,y,z,'linear',0.5,1,'nearest',0.01);%RBF插值P=zeros(size(x));P(:)=P3(:);%实际插值结果
figure()
hold on
s=slice(x,y,z,P,[0],[0],[0]);
set(s,'LineStyle','none');
scatter3(x0,y0,z0)
hold off
xlabel('x');ylabel('y');zlabel('z');
view(3)%理论目标结果
figure()
P3=sin(1*pi*x)+cos(1.5*pi*y)+sin(1*pi*z)+1;
P3(x>3)=0;P3(y>3)=0;P3(z>3)=0;P3(x<-3)=0;P3(y<-3)=0;P3(z<-3)=0;
s=slice(x,y,z,P3,[0],[0],[0]);
xlabel('x');ylabel('y');zlabel('z');
view(3)function P=RBF3(x0,y0,z0,P0,x,y,z,Method,Rs,Npoly,ExtrapMethod,Error)
%二维RBF插值,输入x0,y0散点,z0值。x,y是输出插值得到的点。
%Method方法,默认'linear'。
%'linear',|R|
%'gaussian',exp(-(R/Rs)^2)
%'thin_plate',R^2*log(R)
%'linearEpsR',|R|。分段线性插值,要求s更大一些
%'cubic',|R^3|%Rs,插值核作用半径。Rs对于'linear','cubic','thin_plate'无影响。Rs大概和点和点之间的距离差不多就行。
%Npoly多项式拟合。默认是1,只拟合1次项。
%ExtrapMethod,外插方法。某个数,全部赋值为这个数。'nearest',按照临近值外插。'rbf',默认用RBF插值得到的值。三维外插判据复杂,不建议用。
%Error误差。在(-∞,∞)区间。默认是0,无误差。表示可以在部分误差范围内去插值。
%Error一般在0~1之内。如果只是为了收敛,可以比较小,在0.1以内就可以有很好效果;如果想实现平滑,可适当增大,大于1。
N=numel(x0);%点的数量,也是RBF核的数量
%整理为列向量
x0=x0(:);
y0=y0(:);
z0=z0(:);
P0=P0(:);
x=x(:);
y=y(:);
z=z(:);
%计算包线
[k_ch,V]=convhull(x0,y0,z0);
%函数默认信息
narginchk(7,12)
if nargin<7 || isempty(Method)Method='linear';%默认线性核函数
elseif nargin<8 || isempty(Rs)Rs=1.1*(max(x0)-min(x0))/N;%假设空间均匀分布
elseif nargin<9 || isempty(Npoly)Npoly=1;%默认拟合1次项
elseif nargin<10 || isempty(Npoly)ExtrapMethod='rbf';%默认不外插
elseif nargin<11 || isempty(Error)Error=0;%默认输入数据没有误差
end%选择外插包线
if strcmp(ExtrapMethod,'rbf')Inpoly=[];
elsek_ch=unique(k_ch);Inpoly=IsPointInShape3([x0(k_ch),y0(k_ch),z0(k_ch)],[x,y,z]);
end
if V<=0warning('输入散点过于集中');
end
%选择核函数
switch Methodcase 'linear'fun=@(RMat) Kernel_Linear(RMat,Rs);case 'gaussian'fun=@(RMat) Kernel_Gaussian(RMat,Rs);Error=-Error;%因为零点不是零,远点是0,所以这里误差为负case 'thin_plate'fun=@(RMat) Kernel_Thin_plate(RMat,Rs);case 'linearEpsR'fun=@(RMat) Kernel_LinearEpsR(RMat,Rs);Error=-Error;%因为零点不是零,远点是0,所以这里误差为负
end
%将原始数据分离出多项式项Npoly
if Npoly==0C=ones(N,1);%常数项wC=mean(P0);
elseif Npoly==1if N<3;warning('点数太少,建议Npoly等于0');endC=[ones(N,1),x0,y0,z0];%常数项+一次项wC=C\P0;
elseif Npoly==2if N<9;warning('点数太少,建议Npoly等于1');endC=[ones(N,1),x0,y0,z0,x0.^2,y0.^2,z0.^2,x0.*y0,x0.*z0,z0.*y0];%常数项+一次项+二次项wC=C\P0;
elseerror('只支持Npoly=0,1,2')
end
PC=C*wC;%多项式项
P1=P0-PC;
%计算距离矩阵
DisMat=squareform(pdist([x0,y0,z0]));
K3=fun(DisMat);%每一个核函数的中心点在节点上
K3=K3-Error*eye(N);%把误差函数加入w=K3\P1;%计算权重
%根据权重计算插值
P=zeros(size(x));
for k=1:N %计算每个核的贡献,然后叠加R_k=sqrt((x-x0(k)).^2+(y-y0(k)).^2+(z-z0(k)).^2);Pt=w(k)*fun(R_k );P=P+Pt;
end
NOut=length(P);
%再还原回多项式项
if Npoly==0C=ones(NOut,1);%常数项
elseif Npoly==1C=[ones(NOut,1),x,y,z];%常数项+一次项
elseif Npoly==2C=[ones(NOut,1),x,y,z,x.^2,y.^2,z.^2,x.*y,x.*z,z.*y];%常数项+一次项+二次项
end
PC2=C*wC;%再加上多项式项%判断外插方法
if isnumeric(ExtrapMethod)P(Inpoly)=P(Inpoly)+zC1(Inpoly);%内部的正常P(~Inpoly)=ExtrapMethod;%外部的固定值
elseif ischar(ExtrapMethod)switch ExtrapMethodcase 'rbf'P=P+PC2;%再加上多项式项case 'ploy'P(Inpoly)=P(Inpoly)+PC2(Inpoly);%内部的正常P(~Inpoly)=PC2(~Inpoly);%外部的直接用多项式值case 'nearest'P(Inpoly)=P(Inpoly)+PC2(Inpoly);%内部的正常%找到最近的点F = scatteredInterpolant(x(Inpoly),y(Inpoly),z(Inpoly),P(Inpoly),'nearest','nearest');%外部的直接插值P(~Inpoly)=F(x(~Inpoly),y(~Inpoly),z(~Inpoly));end
elseerror('未识别ExtrapMethod')
end
%检查结果
if max(abs(w))/max(abs(P1))>1e3warning('结果未收敛,建议调整误差Error');
elseif (max(P)-min(P))>5*(max(P0)-min(P0))warning('结果未收敛,建议增大区间Eps,或者调整误差Error');
end
endfunction z=Kernel_Linear(R,s)
%R距离
z=abs(R);%线性函数
endfunction z=Kernel_Gaussian(R,s)
%R距离
%s大概和采样点间距差不多就行,可以略大(更胖)
z=exp(-R.^2/2/s^2);%正态函数
endfunction z=Kernel_Thin_plate(R,s)
%R距离
z=R.^2.*log(R);%thin_plate
endfunction z=Kernel_LinearEpsR(R,s)
%R距离
%s大概和采样点间距差不多就行,可以略大(更胖)
s=2*s;%这里要更大
z=s-R;%线性函数
z(z<0)=0;
endfunction IsInShape=IsPointInShape3(A,points)
%判断点是否在某个三维凸多面体内
%A,凸多面体的顶点。points,N行3列。
%例子:A=[0,0,0;0,0,1;0,1,0;0,1,1;1,0,0;1,0,1;1,1,0;1,1,1];points=rand(1000,3)*3-1;
%IsInShape=IsPointInShape3(A,points)NPoints=size(points,1);%计算有多少个点
IsInShape=false(NPoints,1);
NConvhull=size(A,1);%计算凸包上有多少个点
BD_A=[min(A,[],1);max(A,[],1)];
for kp=1:NPointsP_k=points(kp,:);if any(P_k<BD_A(1,:)) || any(P_k>BD_A(2,:)) %如果超过A的矩形边界,说明肯定不在A内continueendNewA=[A;P_k];%把这个点加入新凸包计算NewP=max(unique(convhull(NewA,'Simplify',false)));%查看新凸包这个点会不会涉及到新点IsInShape(kp)=(NewP==NConvhull);
end
end

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/106742.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

AI 绘画Stable Diffusion 研究(十四)SD 图生图+剪映制作人物说话视频

大家好&#xff0c;我是风雨无阻。 前一篇&#xff0c;我们详细介绍了使用 SadTlaker制作数字人视频案例&#xff0c;感兴趣的朋友请前往查看:AI 绘画Stable Diffusion 研究&#xff08;十三&#xff09;SD数字人制作工具SadTlaker使用教程。 对于没有安装 SadTlaker 插件的朋友…

Vue2向Vue3过度核心技术生命周期

目录 1 Vue生命周期2 Vue生命周期钩子3 生命周期钩子小案例1.1 在created中发送数据1.2 在mounted中获取焦点 4 案例-小黑记账清单4.1 需求图示&#xff1a;4.2 需求分析3.思路分析4.代码准备 1 Vue生命周期 思考&#xff1a;什么时候可以发送初始化渲染请求&#xff1f;&#…

【算法专题突破】双指针 - 复写零(2)

目录 1. 题目解析 2. 算法原理 3. 代码编写 写在最后&#xff1a; 1. 题目解析 题目链接&#xff1a;1089. 复写零 - 力扣&#xff08;Leetcode&#xff09; 我先来读题&#xff0c; 题目的意思非常的简单&#xff0c;其实就是&#xff0c; 遇到 0 就复制一个写进数组&a…

ElementUI Table 翻页缓存数据

Element UI Table 翻页保存之前的数据,网上找了一些,大部分都是用**:row-key** 和 reserve-selection,但是我觉得有bug,我明明翻页了…但是全选的的个框还是勾着的(可能是使用方法不对,要是有好使的…请cute我一下…感谢) 所以自己写了一个… 思路: 手动勾选的时候,将数据保存…

jsp 图书销售系统Myeclipse开发mysql数据库web结构java编程计算机网页项目

一、源码特点 JSP 图书销售系统是一套完善的java web信息管理系统&#xff0c;对理解JSP java编程开发语言有帮助&#xff0c;系统具有完整的源代码和数据库&#xff0c;系统主要采用B/S模式开发。开发环境为 TOMCAT7.0,Myeclipse8.5开发&#xff0c;数据库为Mysql5.0&…

Vue实现Excel表格中按钮增加小数位数,减少小数位数功能,多用于处理金融数据

效果图 <template><div><el-button click"increaseDecimals">A按钮</el-button><el-button click"roundNumber">B按钮</el-button><el-table :data"tableData" border><el-table-column v-for&q…

POSTGRESQL 如何用系统函数来诊断权限问题

开头还是介绍一下群&#xff0c;如果感兴趣polardb ,mongodb ,mysql ,postgresql ,redis 等有问题&#xff0c;有需求都可以加群群内有各大数据库行业大咖&#xff0c;CTO&#xff0c;可以解决你的问题。加群请联系 liuaustin3 &#xff0c;在新加的朋友会分到2群&#xff08;共…

win10 下运行 npm run watch-poll问题

背景&#xff1a;在本地练习laravel项目&#xff0c;windows 宝塔环境&#xff08;之前装过ubuntu子系统&#xff0c;很慢&#xff0c;就放弃了。有知道的兄弟说下&#xff0c;抱拳&#xff09;。以下命令我是在本地项目中用git bash里运行的&#xff0c;最好用管理员权限打开你…

ARM开发,stm32mp157a-A7核中断实验(实现按键中断功能)

1.实验目的&#xff1a;实现KEY1/LEY2/KE3三个按键&#xff0c;中断触发打印一句话&#xff0c;并且灯的状态取反&#xff1b; key1 ----> LED3灯状态取反&#xff1b; key2 ----> LED2灯状态取反&#xff1b; key3 ----> LED1灯状态取反&#xff1b; 2.分析框图: …

Leetcode 2235.两整数相加

一、两整数相加 给你两个整数 num1 和 num2&#xff0c;返回这两个整数的和。 示例 1&#xff1a; 输入&#xff1a;num1 12, num2 5 输出&#xff1a;17 解释&#xff1a;num1 是 12&#xff0c;num2 是 5 &#xff0c;它们的和是 12 5 17 &#xff0c;因此返回 17 。示例…

Django REST framework实现api接口

drf 是Django REST framework的简称&#xff0c;drf 是基于django的一个api 接口实现框架&#xff0c;REST是接口设计的一种风格。 一、 安装drf pip install djangorestframework pip install markdown # Markdown support for the browsable API. pip install …

[matlab]matlab配置mingw64编译器

第一步&#xff1a;下载官方绿色版本mingw64编译器然后解压放到一个非中文空格路径下面 比如我mingw64-win是我随便改的文件名&#xff0c;然后添加环境变量&#xff0c;选择用户或者系统环境变量添加下面的变量 变量名&#xff1a; MW_MINGW64_LOC 变量值&#xff1a;自己的m…

<C++> 内存管理

1.C/C内存分布 让我们先来看看下面这段代码 int globalVar 1; static int staticGlobalVar 1; void Test() {static int staticVar 1;int localVar 1;int num1[10] {1, 2, 3, 4};char char2[] "abcd";char *pChar3 "abcd";int *ptr1 (int *) mal…

QGIS学习1-入门学习

QGIS作为一个广受欢迎的开源GIS&#xff0c;很多GIS的学生都了解过。但是因为学校老师都是教的Arcgis&#xff0c;因此很少去充分的学习。QGIS和arcgis一样&#xff0c;有完整的官方帮助文档&#xff0c;我也是要根据官方的帮助文档进行学习等。 https://www.qgis.org/zh-Hans/…

C++避坑——most vexing parse问题

1."坑"的问题是什么&#xff1f; 先看一段代码&#xff1a; class Functor { public:void operator()(){std::cout << "我是线程的初始函数" << std::endl;} };int main() {std::thread t(Functor());// 强制高速编译器这是一个构造函数!t.j…

HTTPS协议加密原理

目录 一、什么是HTTPS 二、什么是加密/解密 三、为什么要加密 四、常见的加密方式 1.对称加密 2. 非对称加密 五、HTTPS加密方式探讨 1.只使用对称加密 2.只使用非对称加密 3.非对称加密对称加密 4.非对称加密对称加密CA认证 六、总结 一、什么是HTTPS HTTP 协议&a…

机器学习,过拟合与欠拟合,正则化与交叉验证

目录 机器学习 过拟合与欠拟合 正则化与交叉验证 正则化 交叉验证 机器学习 的目的是使学到的模型不仅对已知数据而且对未知数据都能有很好的预测能力。 不同的机器学习方法会给出不同的模型。当损失函数给定时&#xff0c;基于损失函数的模型的训练误差&#xff08;tra…

neo4jd3拓扑节点显示为节点标签(自定义节点显示)

需求描述&#xff1a;如下图所示&#xff0c;我的拓扑图中有需要不同类型的标签节点&#xff0c;我希望每个节点中显示的是节点的标签 在官方示例中&#xff0c;我们可以看到&#xff0c;节点里面是可以显示图标的&#xff0c;现在我们想将下面的图标换成我们自定义的内容 那…

4.18 TCP 和 UDP 可以使用同一个端口吗?

目录 TCP 和 UDP 可以同时绑定相同的端口吗&#xff1f; 多个 TCP 服务进程可以绑定同一个端口吗&#xff1f; 重启 TCP 服务进程时&#xff0c;为什么会有“Address in use”的报错信息&#xff1f; 重启 TCP 服务进程时&#xff0c;如何避免“Address in use”的报错信息…

MAVEN利器:一文带你了解IDEA中如何使用Maven

前言&#xff1a; 强大的构建工具——Maven。作为Java生态系统中的重要组成部分&#xff0c;Maven为开发人员提供了一种简单而高效的方式来构建、管理和发布Java项目。无论是小型项目还是大型企业级应用&#xff0c;Maven都能帮助开发人员轻松处理依赖管理、编译、测试和部署等…