径向基函数(RBF)代理模型
RBF 模型使用一些基函数的加权和来近似问题的适应值地形图,1963 年 Davis 提出高维空间的多变量插值理论。径向基函数技术则是20世纪80年代后期,Powell在解决“多变量有限点严格(精确)插值问题”时引入的,目前径向基函数已成为数值分析研究中的一个重要领域。
在3维空间中,就相当于找一个面,让所都的点都落在这个面上。这样就可以预测未知点的值了。
假设F(X)的形式,然后求出w就知道这个函数是什么样子的了,即得到这个插值得曲面了。下面这个是不含有噪声数据的RBF模型的构建。如果是含噪声的需要,再加个多项式其实就是在主对角线加个式子(同时也可以防止过拟合,同时也可以减少基函数数量)。
F
(
X
)
=
∑
p
=
1
P
w
p
φ
(
X
−
X
p
)
F(X) = \sum\limits_{p = 1}^P {{w_p}} \varphi (X - {X^p})
F(X)=p=1∑Pwpφ(X−Xp)
X
p
{X_p}
Xp可以看成是一个定点,X是一个泛源,所以他主要和X和Xp距离有关系(就是欧几里得距离即范数),所以他应该是个旋转对称函数。把已知点带入上面的方程,得到下面的线性方程组。
令
φ
i
p
=
φ
(
∥
X
i
−
X
p
∥
)
,
i
=
1
,
2
,
⋯
,
P
,
p
=
1
,
2
,
⋯
,
P
,
{\varphi _{ip}} = \varphi (\left\| {{X^i} - {X^p}} \right\|),i = 1,2, \cdots ,P,p = 1,2, \cdots ,P,
φip=φ(
Xi−Xp
),i=1,2,⋯,P,p=1,2,⋯,P,则上述方程组可改写为:
令
Φ
{\bf{\Phi }}
Φ表示元素为
φ
i
p
{\varphi _{ip}}
φip 的
P
×
P
P \times P
P×P阶矩阵,W和d分别表示系数向量和期望输出向量,可以写成下面的形式。
Φ
W
=
d
\Phi W = d
ΦW=d式中,
Φ
{\bf{\Phi }}
Φ称为插值矩阵。若
Φ
{\bf{\Phi }}
Φ 为可逆矩阵,就可以从上式中解出系数向量W,即:
W
=
Φ
−
1
d
W = {\Phi ^{ - 1}}d
W=Φ−1d用Micchelli 定理证明
Φ
{\bf{\Phi }}
Φ可逆,大量的基函数都满足这个定理,所以上式成立,最后得到了模型。
- Gauss(高斯)函数: φ ( r ) = exp ( − r 2 2 δ 2 ) \varphi (r) = \exp ( - {{{r^2}} \over {2{\delta ^2}}}) φ(r)=exp(−2δ2r2) ,r就是动点到定点的距离,高斯函数和正态分布函数形式很像,但是他不需要归一化(总和为1)所以他没有前面的那些系数。
- Reflected sigmoidal(反演S型)函数: φ ( r ) = 1 1 + exp ( r 2 δ 2 ) \varphi (r) = {1 \over {1 + \exp \left( {{{{r^2}} \over {{\delta ^2}}}} \right)}} φ(r)=1+exp(δ2r2)1
- Inverse multiquadrics(拟多二次)函数:
φ
(
r
)
=
1
(
r
2
+
δ
2
)
1
2
\varphi (r) = {1 \over {{{({r^2} + {\delta ^2})}^{{1 \over 2}}}}}
φ(r)=(r2+δ2)211
δ称为该基函数的扩展常数或宽度,径向基函数的宽度越小,就越具有选择性。所以在求w之前可以先求,对δ进行一个估计,就是用交叉估计来确定。为了最小化(预计的)模型的泛化误差。
与PRS和Kriging相比,RBF在处理非线性问题时可以获得更好的精度。然而,对于低维线性问题,需要在RBF模型中添加线性多项式才能获得更好的结果。