径向基函数（RBF）插值

RBF函数插值

径向基函数（Radial Basis Function, RBF）插值的基本形式为
$$F(\mathbf{r})=\sum _{i=1}^N{w}_i\phi \left(\Vert \mathbf{r}-{\mathbf{r}}_i\Vert \right)$$
式中， $F(\mathbf{r})$ 是插值函数， $N$ 为插值问题所使用的径向基函数总数目（控制点总数目）， $\phi \left(\Vert \mathbf{r}-{\mathbf{r}}_i\Vert \right)$ 是采用的径向基函数的通用形式， $\Vert \mathbf{r}-{\mathbf{r}}_i\Vert$ 是两个位置矢量的欧氏距离， ${\mathbf{r}}_i$ 是第 $i$ 号径向基函数的控制点位置， $w_i$ 是第 $i$ 号径向基函数对应的权重系数${}^{[2]}$。

径向基函数类型很多，总结有如下六种：

1. Gaussian（高斯曲面函数）：$\phi (x)=\exp \left(-\frac{x^2}{2{\sigma }^2}\right)$
2. Multiquadrics（多项式函数）：$\phi (x)=\sqrt{1+\frac{x^2}{{\sigma }^2}}$
3. Linear（线性函数）：$\phi (x)=x$
4. Cubic（立方体曲面函数）：$\phi (x)=x^3$
5. Thinplate（薄板曲面函数）：$\phi (x)=x^2\ln (x+1)$
6. Wendland’s $C^2$ 函数（网格变形常用）：$\phi (x)=(1-x{)}^4(4x+1)$

现有一系列控制（插值）节点 { r j , F ( r ) j } ∣ j = 1 N \left.\left\{r_j, F(\boldsymbol{r})_j\right\}\right|_{j=1} ^N {rj​,F(r)j​}∣j=1N​（插值函数 $F(\mathbf{r})$ 必须经过控制节点），将其带入方程 $F(\mathbf{r})={\sum }_{i=1}^N{w}_i\phi \left(\Vert \mathbf{r}-{\mathbf{r}}_i\Vert \right)$ ，可得到:
$$\underset{\Phi }{\underbrace{\left[\begin{array}{cccc}{\phi }_{11}& {\phi }_{12}& \cdots & {\phi }_{1N}\\ {\phi }_{21}& {\phi }_{22}& \cdots & {\phi }_{2N}\\ ⋮& ⋮& & ⋮\\ {\phi }_{11}& {\phi }_{12}& \cdots & {\phi }_{1N}\end{array}\right]}}\underset{\mathbf{W}}{\underbrace{\left[\begin{array}{c}{w}_1\\ w_2\\ ⋮\\ w_N\end{array}\right]}}=\underset{\mathbf{y}}{\underbrace{\left[\begin{array}{c}{y}_1\\ y_2\\ ⋮\\ y_N\end{array}\right]}},其中{\phi }_{ji}=\phi \left(\Vert r_j-r_i\Vert \right)$$
上式中，$\Phi =\left[{\phi }_{ji}\right]$ 为插值矩阵。将线性方程组记为 $\Phi \mathbf{W}=\mathbf{y}$ ，可求出 $\mathrm{RBF}$ 插值的权重系数为: $\mathbf{W}={\Phi }^{-1}\mathbf{y}$ 。在得到每个控制点的权重系数后，就能求出定义域内任意插值点所对应的 $F(\mathbf{r})$ ，实现插值的功能。

代码测试

文章${}^{[1]}$中代码主要实现的是一维下高斯基函数插值，文章${}^{[2]}$中代码实现的主要是多维下的Wendland’s $C^2$基函数插值。借鉴上面篇代码，稍微修改精简一下。

RBF.py

from scipy.linalg import solve
import numpy as np

def rbf_coefficient(support_points, support_values, function_name = 'C2', radius = None):
    """
    计算并返回径向基(radical basis function, RBF)插值函数的插值系数
    :param support_points: 径向基插值的支撑点
    :param support_values: 支撑点上的物理量，如位移、压力等
    :param function_name: 使用的径向基函数，默认为 Wendland C2 函数
    :param radius: 径向基函数的作用半径，默认作用范围包含所有支撑点
    :return: coefficient_mat, 径向基函数的插值系数矩阵
    """
    num_support_points, dim = np.shape(support_points)
    phi_mat = np.zeros((num_support_points, num_support_points), dtype = np.float)
    for i in range(num_support_points):
        for j in range(num_support_points):
            eta = np.linalg.norm(support_points[i] - support_points[j])
            if radius is not None:
                eta = eta / radius
                if eta > 1:
                    continue
            if function_name == 'C2':
                phi_mat[i, j] = (1 - eta) ** 4 * (4 * eta + 1)
            elif function_name == 'cubic':
                phi_mat[i, j] = eta ** 3
            elif function_name == 'linear':
                phi_mat[i, j] = eta
            elif function_name == 'gaussian':
                sig = 1  # 高斯核宽度
                phi_mat[i, j] = np.exp(-1 * eta ** 2 / (2 * (sig ** 2)))
            else:
                print('暂不支持此插值函数')
                return
    coefficient_mat = solve(phi_mat, support_values)
    return coefficient_mat

def rbf_interpolation(support_points, coefficient_mat, interpolation_points, function_name = 'C2', radius = None):
    """
    计算并返回RBF插值的结果
    :param support_points: 支撑点
    :param coefficient_mat: 插值系数矩阵
    :param interpolation_points: 插值点
    :param function_name: 插值函数名，默认为 Wendland C2
    :param radius: 插值函数作用半径，默认作用范围包含所有支撑点
    :return: interpolation_values, 插值点的物理量
    """
    num_interpolation_points, dim = np.shape(interpolation_points)
    num_support_points = np.shape(support_points)[0]
    interpolation_values = np.zeros((num_interpolation_points, dim), dtype = np.float)
    for i in range(num_interpolation_points):
        for j in range(num_support_points):
            eta = np.linalg.norm(interpolation_points[i] - support_points[j])
            try:
                eta = eta / radius
                if eta > 1:
                    interpolation_values[i] += coefficient_mat[j] * 0  # phi = 0
                    continue
            except TypeError:
                pass
            finally:
                if function_name == 'C2':
                    phi = (1 - eta) ** 4 * (4 * eta + 1)
                elif function_name == 'cubic':
                    phi = eta ** 3
                elif function_name == 'linear':
                    phi = eta
                elif function_name == 'gaussian':
                    sig = 1  # 高斯核宽度
                    phi = np.exp(-1 * eta ** 2 / (2 * (sig ** 2)))
                else:
                    print('暂不支持此插值函数')
                    return
            interpolation_values[i] += coefficient_mat[j] * phi
    return interpolation_values

def calculation_rmse(y_hat, y):
    rmse = np.sqrt(np.mean(np.square(y - y_hat)))
    return rmse

测试代码如下：

test.py

import numpy as np
import matplotlib.pyplot as plt
import RBF

def gen_data(x1, x2):
    y_sample = np.sin(np.pi * x1 / 2) + np.cos(np.pi * x1 / 3)
    y_all = np.sin(np.pi * x2 / 2) + np.cos(np.pi * x2 / 3)
    return y_sample, y_all

if __name__ == '__main__':
    function_name = "gaussian"
    snum = 20  # control point数量
    ratio = 20  # 总数据点数量：snum*ratio
    xs = -8
    xe = 8
    x1 = np.linspace(xs, xe, snum).reshape(-1, 1)
    x2 = np.linspace(xs, xe, (snum - 1) * ratio + 1).reshape(-1, 1)
    y_sample, y_all = gen_data(x1, x2)
    plt.figure(1)
    w = RBF.rbf_coefficient(x1, y_sample, function_name)
    y_rec = RBF.rbf_interpolation(x1, w, x2, function_name)
    rmse = RBF.calculation_rmse(y_rec, y_all)
    print(rmse)
    plt.plot(x2, y_rec, 'k')
    plt.plot(x2, y_all, 'r:')
    plt.ylabel('y')
    plt.xlabel('x')
    for i in range(len(x1)):
        plt.plot(x1[i], y_sample[i], 'go', markerfacecolor = 'none')
    plt.legend(labels = ['reconstruction', 'original', 'control point'], loc = 'lower left')
    plt.title(function_name + ' kernel interpolation:$y=sin(\pi x/2)+cos(\pi x/3)$')
    plt.show()

测试结果如下（一维插值）：

总结

对于rbf插值中，一般控制点数量越多越密集，插值精度也就越高，但是随之而来的插值矩阵 $\Phi$ 增大，计算量增大，模型训练（权值系数计算）效率变低，正所谓“No Free Lunch”。其次，不同的基函数在同样的数据上插值的表现也有所差异，因此需要选择最优的基函数进行插值计算。

参考

[1] https://blog.csdn.net/xfijun/article/details/105670892

[2] https://zhuanlan.zhihu.com/p/339854179