赞
踩
已知一系列的观测点 ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋯   , ( x n , y n ) \bold {(x_1, y_1), (x_2,y_2), \cdots, (x_n, y_n)} (x1,y1),(x2,y2),⋯,(xn,yn), 这一组观测值得生成函数 Y = f ( X ) Y=f(X) Y=f(X)未知,如何通过这一组观测值拟合出一个近似于真实生成函数的表达式。拟合出来的表达式称之为插值函数。
薄板样条的插值函数形式如下:
Φ
(
x
)
=
c
+
a
T
x
+
w
T
s
(
x
)
s
(
x
)
=
(
σ
(
x
−
x
1
)
,
σ
(
x
−
x
2
)
,
⋯
 
,
σ
(
x
−
x
n
)
)
T
σ
(
x
)
=
∣
∣
x
∣
∣
x
2
log
∣
∣
x
∣
∣
x
2
其中,
c
∈
R
1
×
1
,
a
∈
R
D
×
1
,
w
∈
R
N
×
1
\bf c \in \mathbb R^{1\times 1} ,\bf a \in \mathbb R^{D \times 1}, w \in \mathbb R^{N\times 1}
c∈R1×1,a∈RD×1,w∈RN×1。 从中可以看出,该函数的输出值是一个标量,也就是说,如果要针对多个维度进行插值,需要求解多个插值函数。该插值函数总共存在
N
+
D
+
1
N+D+1
N+D+1个参数。 而每个观测点都能提供一个如下的约束,共
N
N
N个约束条件。
y
k
=
Φ
(
x
k
)
y_k = \Phi(x_k)
yk=Φ(xk)
在认为添加
D
+
1
D+1
D+1个约束条件:
∑
k
=
1
K
w
k
=
0
∑
k
=
1
K
w
k
x
k
1
=
0
⋮
∑
k
=
1
K
w
k
x
k
D
=
0
令:
X
=
[
x
1
1
x
1
2
⋯
x
1
D
x
2
1
x
2
2
⋯
x
2
D
⋮
⋮
⋱
⋮
x
N
1
x
N
2
⋯
x
N
D
]
Y
=
[
y
1
y
2
⋮
y
N
]
S
=
[
σ
(
x
1
−
x
1
)
σ
(
x
1
−
x
2
)
⋯
σ
(
x
1
−
x
N
)
σ
(
x
2
−
x
1
)
σ
(
x
2
−
x
2
)
⋯
σ
(
x
2
−
x
N
)
⋮
⋮
⋱
⋮
σ
(
x
N
−
x
1
)
σ
(
x
N
−
x
2
)
⋯
σ
(
x
N
−
x
N
)
]
则约束条件构成的方程组可以改写为:
[
S
1
N
X
1
N
T
0
0
X
T
0
0
]
[
w
c
a
]
=
Γ
[
w
c
a
]
=
[
Y
0
0
]
当
Γ
\Gamma
Γ非奇异时,这个方程组有唯一解。因此可获得参数矩阵:
[
w
c
a
]
=
Γ
−
1
[
Y
0
0
]
Reference
[1] 数值方法——薄板样条插值(Thin-Plate Spline)
[2] Thin plate splines 薄板样条插值个人理解
[3] 关于Thin Plate Spline (薄板样条函数)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。