02-幂基曲线（1）

02-幂基曲线（1）

本文属于 “NURBS学习笔记” 专栏，更多文章可以点击↓↓↓
NURBS学习笔记专栏

1. 什么是幂基曲线

上一节中给出了一条在二维平面上首尾相接的参数曲线，我们把它从 $uv$ 参数域放到一般的平面域。本节重点研究的就是这类曲线。

$$\mathbf{C}\left(u\right)=\{\begin{array}{c}\begin{array}{rl}x\left(u\right)& =16u^4-22u^3+u^2+5u+1\\ y\left(u\right)& =64u^4-126u^3+61u^2+u+1\end{array}\end{array}0\le u\le 1\text{\hspace{1em}(1)}$$

用矢量形式将这条曲线可以改写得更优雅一些：

$$\begin{array}{rl}\mathbf{C}(u)& =\left(\begin{array}{c}16\\ 64\end{array}\right)u^4+\left(\begin{array}{c}-22\\ -126\end{array}\right)u^3+\left(\begin{array}{c}1\\ 61\end{array}\right)u^2+\left(\begin{array}{c}5\\ 1\end{array}\right)u+\left(\begin{array}{c}1\\ 1\end{array}\right)\\ & ={\mathbf{a}}_4{u}^4+{\mathbf{a}}_3{u}^3+{\mathbf{a}}_2{u}^2+{\mathbf{a}}_{1}u+{\mathbf{a}}_0\\ & =\sum _{i=0}^4{\mathbf{a}}_i{u}^i\end{array}0\le u\le 1\text{\hspace{1em}(2)}$$

形如上式的曲线都可以称之为 幂基曲线 ，即曲线由一个和式表示：和式的每一项对应参数的幂乘上一个二维（或三维）的点。更一般的定义如下式。

$$\mathbf{C}(u)=\sum _{i=0}^n{\mathbf{a}}_i{u}^{i}0\le u\le 1\text{\hspace{1em}(3)}$$

一条幂基曲线有一个次数 $n$ ，当 $n$ 取定时，我们就得到了定义在参数域 $u\in [0,1]$ 内的一组基函数 $[1,u,u^2,\dots ,u^n]$ 。对于某个参数域内确定的 $u$ （我们标记为 $u^{\ast }$ ），基函数次数越小，其值越大。也就是说我们对 ${\mathbf{a}}_0,{\mathbf{a}}_1,{\mathbf{a}}_2,\dots ,{\mathbf{a}}_n$ 做了线性组合，并且组合系数依次递减，从而得到了 $\mathbf{C}(u^{\ast })$ 。我们也能够对单个的 $x$ 或者 $y$ 坐标系进行分析，假如单独取 $x$ 坐标，则对于任意时刻 $u^{\ast }$，我们能够求出曲线的 $x$ 坐标：
$$\mathbf{C}(u{)}^x={\mathbf{a}}_0^x+{\mathbf{a}}_1^x{u}^1+\cdots +{\mathbf{a}}_n^x{u}^n\text{\hspace{1em}(4)}$$
$y$ 坐标亦然。当然了，${\mathbf{a}}_i$ 也可以是三维矢量，这样的话幂基曲线就定义在三维空间了。下图动态展示了公式 $(2)$ 的幂基曲线的形成过程。

2. 幂基曲线的创建

当有了幂基曲线的表达形式后，我们首先考虑的就是：我该怎样得到一条幂基曲线：意即我怎么确定一条幂基曲线的 次数 和 系数 。在实际应用中，应该没有人在缺乏几何交互的情况下就能够确定出一根幂基曲线。大多数人想到的都是：我通过鼠标在屏幕上勾画几个点，然后通过这些点的一条幂基曲线就生成了。那就这么办。在正式开始之前，思考两个问题：

（1）假设确定出的点依次是： ${\mathbf{p}}_0,{\mathbf{p}}_1,\dots ,{\mathbf{p}}_m$ ，共计 $m+1$ 个，一个自然的想法是：当 $u=0$ 时，曲线上的点是 ${\mathbf{p}}_0$ ，当 $u=1$ 时，曲线上的点是 ${\mathbf{p}}_m$ 。那中间的那些点呢，它们对应的参数值是多少，或许你还会想到：等距分布就行了，那么 ${\mathbf{p}}_i$ 对应的参数是 $i/m$ ，这是唯一的选择吗，还有无更好的方法？

（2）当确定出了 $m+1$ 个点，幂基曲线的次数是多少，是要一直跟随点的个数增长吗？

2.1 数据点参数化问题

第一个问题实际上是 数据点参数化 问题。我们想象一部沿着曲线行驶的车，$u=0$ 的时刻，它确实在 ${\mathbf{p}}_0$ ，$u=1$ 的时刻，它也确实出现在 ${\mathbf{p}}_m$ 。而中间还有许多里程碑节点（ ${\mathbf{p}}_1$ 到 ${\mathbf{p}}_{m-1}$ ）需要依次经过，但是具体在哪个时刻通过却是未知的，这是需要我们尽可能依据这些里程碑节点的空间分布情况去确定的。如果我们仅仅采用等距分布（ 均匀参数化 ，或称 等距参数化 ）的方法，无疑将里程碑节点的某些空间信息遗弃了，如果里程碑节点分布疏密不均，那么按照均匀参数化的方法，即要求每两个里程碑间的行车用时是相同的，那么这部车的速度一定是忽快忽慢的。

既然里程碑节点分布疏密不均，那么把两里程碑节点间的距离考虑在内将是一种更好的方法，距离远的节点间就多配置一些时间。这就是 积累弦长参数化 。

均匀参数化的公式为（暂未均一化到 $[0,1]$ ）：
$$u_i=i,i=0,1,\dots ,m\text{\hspace{1em}(5)}$$

积累弦长参数化公式为（暂未均一化到 $[0,1]$ ）：

$$\{\begin{array}{c}\begin{array}{rl}{u}_0& =0\\ u_i& =u_{i-1}+\left|{\mathbf{p}}_i-{\mathbf{p}}_{i-1}\right|\end{array}\end{array}i=0,1,\dots ,m\text{\hspace{1em}(6)}$$

上述公式所得参数化均不在 $[0,1]$ 内，我们需要使用
$$u_i^{new}=\frac{u_i}{\max u_i}i=0,1,\dots ,m\text{\hspace{1em}(7)}$$
将其归一化到 $[0,1]$ 。

2.2 插值和逼近

现在我们已经拥有了点 $[{\mathbf{p}}_0,{\mathbf{p}}_1,\dots ,{\mathbf{p}}_m]$ ，以及一个确定好的参数化结果 $[u_0,u_1,\dots ,u_m]$ ，我们可以根据公式 $(3)$ 列方程了。

$$\{\begin{array}{c}\begin{array}{rl}{\mathbf{a}}_0+{\mathbf{a}}_1{u}_0+{\mathbf{a}}_2{u_0}^2+\cdots +{\mathbf{a}}_n{u_0}^n& ={\mathbf{p}}_0\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_1+{\mathbf{a}}_2{u_1}^2+\cdots +{\mathbf{a}}_n{u_1}^n& ={\mathbf{p}}_1\\ ⋮& \\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_m+{\mathbf{a}}_2{u_m}^2+\cdots +{\mathbf{a}}_n{u_m}^n& ={\mathbf{p}}_m\end{array}\end{array}\text{\hspace{1em}(8)}$$

方程 $(8)$ 是一个未知数为 ${\mathbf{a}}_0,{\mathbf{a}}_1,\dots ,{\mathbf{a}}_n$ 的线性方程，尽管 ${\mathbf{a}}_i$ 是一个矢量，但其实我们可以在实际求解时仅考虑某一个坐标，比如单独将 $x$ 坐标拎出来，上述方程就变为

$$\{\begin{array}{c}\begin{array}{rl}{\mathbf{a}}_0^x+{\mathbf{a}}_1^x{u}_0+{\mathbf{a}}_2^x{u_0}^2+\cdots +{\mathbf{a}}_n^x{u_0}^n& ={\mathbf{p}}_0^x\\ {\mathbf{a}}_0^x+{\mathbf{a}}_1^x{u}_1+{\mathbf{a}}_2^x{u_1}^2+\cdots +{\mathbf{a}}_n^x{u_1}^n& ={\mathbf{p}}_1^x\\ ⋮& \\ {\mathbf{a}}_0^x+{\mathbf{a}}_1^x{u}_m+{\mathbf{a}}_2^x{u_m}^2+\cdots +{\mathbf{a}}_n^x{u_m}^n& ={\mathbf{p}}_m^x\end{array}\end{array}\text{\hspace{1em}(9)}$$

这就是我们非常熟悉的线性方程了，后续分析过程中，我们就直接对公式 $(8)$ 进行操作，隐含的一层含义就是：各个坐标系的求解过程都是一样的，我们统一用矢量来表示（矢量表示的公式看起来会更加复杂，但也只是形式上复杂了）。

到目前为止，我们还未指定需要求解的幂基曲线次数 $n$ ，所以方程 $(8)$ 的未知数的个数 $n+1$ （幂基曲线次数加1）也未确定，而方程的个数为 $m+1$ （点的个数）。那么当我们指定了次数后，就存在下面三种情况：

1. 当 $m<n$ 时，点的个数小于曲线的次数加1，方程组将求不出唯一解。也就是说你给的曲线次数很高，当前的点难以还原曲线的全部信息；
2. 当 $m=n$ 时，点的个数等于曲线的次数加1，方程组将有唯一解。也就是说你给的曲线次数和当前的点恰好匹配，刚好可以还原曲线的全部信息；
3. 当 $m>n$ 时，点的个数大于曲线的次数加1，方程组将无解。也就是说你给的曲线次数难以同时通过所有点。

2.2.1 插值

对于 $m<n$ 的情况，曲线是确定不了的。这种情况下，我们需要再补充一些额外的条件：
比如当 $n=2,m=1$，即要求取 $2$ 次幂基曲线的 $3$ 个系数系数 ${\mathbf{a}}_0$、${\mathbf{a}}_1$、${\mathbf{a}}_2$，我们仅知道其通过了 $2$ 个点$[{\mathbf{p}}_0,{\mathbf{p}}_1]$ ），我们可以再补充一个点（假如当 $u=u_2$ 时通过了 ${\mathbf{p}}_3$），这样其实就转换成了 $m=n$ 的情况。
$$\{\begin{array}{c}\begin{array}{r}{\mathbf{a}}_0+{\mathbf{a}}_1{u}_0+{\mathbf{a}}_2{u_0}^2={\mathbf{p}}_0\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_1+{\mathbf{a}}_2{u_1}^2={\mathbf{p}}_1\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_2+{\mathbf{a}}_2{u_2}^2={\mathbf{p}}_3\end{array}\end{array}\text{\hspace{1em}(10)}$$

或者可以补充在某个参数（$u_2$）下的一阶导矢（${\mathbf{D}}_2$）

$$\{\begin{array}{c}\begin{array}{rl}{\mathbf{a}}_0+{\mathbf{a}}_1{u}_0+{\mathbf{a}}_2{u_0}^2& ={\mathbf{p}}_0\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_1+{\mathbf{a}}_2{u_1}^2& ={\mathbf{p}}_1\\ {\mathbf{a}}_1+2{\mathbf{a}}_2{u}_2& ={\mathbf{D}}_2\end{array}\end{array}\text{\hspace{1em}(11)}$$

或者可以补充在某个参数（$u_2$）下的二阶导矢（${\mathbf{D}}_2$）

$$\{\begin{array}{c}\begin{array}{rl}{\mathbf{a}}_0+{\mathbf{a}}_1{u}_0+{\mathbf{a}}_2{u_0}^2& ={\mathbf{p}}_0\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_1+{\mathbf{a}}_2{u_1}^2& ={\mathbf{p}}_1\\ 2{\mathbf{a}}_2& ={\mathbf{D}}_2\end{array}\end{array}\text{\hspace{1em}(12)}$$

对于二次曲线而言，更高阶的导矢都是 $0$ 了，是不能作为条件给出的。

再比如当 $n=3,m=1$，即要求取 $3$ 次幂基曲线的 $4$ 个系数 $[{\mathbf{a}}_0,{\mathbf{a}}_1,{\mathbf{a}}_2,{\mathbf{a}}_3]$ ，我们仅知道其通过了 $2$ 个点（${\mathbf{p}}_0$、${\mathbf{p}}_1$），我们可以再补充两个点位，这样其实就转换成了 $m=n$ 的情况。

$$\{\begin{array}{c}\begin{array}{rl}{\mathbf{a}}_0+{\mathbf{a}}_1{u}_0+{\mathbf{a}}_2{u_0}^2+{\mathbf{a}}_3{u_0}^3& ={\mathbf{p}}_0\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_1+{\mathbf{a}}_2{u_1}^2+{\mathbf{a}}_3{u_1}^3& ={\mathbf{p}}_1\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_2+{\mathbf{a}}_2{u_2}^2+{\mathbf{a}}_3{u_2}^3& ={\mathbf{p}}_2\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_3+{\mathbf{a}}_2{u_3}^2+{\mathbf{a}}_3{u_3}^3& ={\mathbf{p}}_3\end{array}\end{array}\text{\hspace{1em}(13)}$$

或者可以补充在某两个参数下的一阶导矢，这种情况下，我们一般选择的点是曲线首尾两个端点的一阶导矢（${\mathbf{D}}_0$、${\mathbf{D}}_1$）。

$$\{\begin{array}{c}\begin{array}{rl}{\mathbf{a}}_0+{\mathbf{a}}_1{u}_0+{\mathbf{a}}_2{u_0}^2+{\mathbf{a}}_3{u_0}^3& ={\mathbf{p}}_0\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_1+{\mathbf{a}}_2{u_1}^2+{\mathbf{a}}_3{u_1}^3& ={\mathbf{p}}_1\\ {\mathbf{a}}_1+2{\mathbf{a}}_2{u}_0+3{\mathbf{a}}_3{u_0}^2& ={\mathbf{D}}_0\\ {\mathbf{a}}_1+2{\mathbf{a}}_2{u}_0+3{\mathbf{a}}_3{u_1}^2& ={\mathbf{D}}_1\end{array}\end{array}\text{\hspace{1em}(14)}$$

二、三阶导矢也可以作为条件给出。对于三次曲线而言，三阶导矢是固定的 $6{\mathbf{a}}_3$，更高阶的导矢都是 $0$ 了。这些情况我们就不再罗列具体的公式。

公式 $(14)$ 的使用度较高。这种情况给定的 $4$ 个条件都有明显的几何意义。也就是说，我们可以直观地修改这些条件，从而调整曲线的样子。这种调整具有很好的几何直观。如下图所示，分别对 $4$ 个条件做了调整，可以看到曲线跟随调整的意图也发生了改变。我们也应看到：当我们对幂基函数的某个细节进行调整时，总是“牵一发而动全身”，只不过受影响的程度有轻重之分。想象下曲线的设计过程：一个设计者在对某些局部修改满意后，再去调整其他部分，却发现已修改的部分也发生移动了。我们先初步感受下幂基曲线的此种劣势。

当我们对 $m<n$ 的情况补充上条件后，就可以进行求解，获得唯一的参数曲线。这个过程称之为插值，当补充的条件含有导矢条件时，就是埃尔米特插值。

对于 $m=n$ 的情况，我们直接求解方程 $(4)$ 即可。下图中给出了一个例子，即在第一象限的 $1/4$ 单位圆弧上按照逆时针随机采点，然后采用幂基曲线进行插值。同时对比了均匀和积累弦长两种参数化对插值结果的影响。从图中可以看出：积累弦长参数化比均匀参数化的效果要更好，尤其是在采样点分布不均时；另一方面，随着所采用的插值曲线次数的增加，不管采用哪种参数化方式，插值结果都开始发生明显的扭曲了。我们在图中还基于均匀参数化进行了三次样条插值，它的结果非常好。即使次数很高，也没有让插值结果发生大的扭曲。

三次样条插值 和本节我们所用的插值有什么区别呢？我们想一下：当使用较高的次数进行插值时，我们得到的插值结果具有无穷阶连续，意即曲线的任意阶导矢都是连续的。但我们需要这么高的连续性吗？从几何直观的角度来看，两条曲线在端点处拼接在一起，我们是能够感知到在这个连接点处是否“光滑”：如果在拼接点处的两条曲线在拼接点处的一阶导同向，我们就感觉到曲线是光滑的；从应用的角度来看，更高阶的连续对后续应用的计算无益，是一种浪费。出于这种考虑，我们想能否将曲线打成一段一段的，仅保证段与段之间一定程度的连续就够了。这样的话，每一段都将用次数不高的曲线来插值。这就是样条插值的基本思想，即在损失连续性的前提下，对整体曲线采用多个局部片段表示的方法。关于样条插值我们不再赘述了。大家可以参考其他的资料。

2.2.2 逼近

对于 $m>n$ 的情况，提高曲线的次数是一个解决办法，这就又回到了 $m=n$ 的情况，那在不改变次数 $n$ 的前提下，有无其他的办法呢？既然当前的次数难以完美地同时通过所有的点，那退而求其次，将这个条件折中行不行？怎样才算是“折中”——寻找到一条次数为 $n$ 的曲线，所有的点不会同时落在曲线上了，那他们和曲线间都存在一个距离，让所有的距离加和取得最小值或者让其中最大的距离最小，这看起来是可行的办法。这其实就是我们常说的 最小二乘 的基本思想——对苛刻条件的一种让步。后文我们将对此进行详细讨论。在实际的操作过程中，我们并不是选择距离加和最小，也没有选择最大的距离最小，而是用距离的平方加和最小（这才是最小二乘名称的由来，“二乘“源自日语，即”平方“）来处理。

当采用最小二乘法处理 $m>n$ 的情况时，我们一般称之为 逼近。

我们仍以上述 $1/4$ 圆弧采点进行插值的数据为例，对最小二乘法逼近就行说明。假设圆弧上采样了 $10$ 个点 $[{\mathbf{p}}_0,{\mathbf{p}}_1,\dots ,{\mathbf{p}}_9]$ ，如果以 $9$ 次幂基曲线进行插值，就是上述 $m=n$ 的情况。为了避免发生高次曲线的扭曲，我们逼近的曲线次数小于 $9$ 。

$$\begin{gathered} \{\begin{array}{c}\begin{array}{rl}{\mathbf{a}}_0+{\mathbf{a}}_1{u}_0+{\mathbf{a}}_2{u_0}^2+\cdots +{\mathbf{a}}_n{u_0}^n& ={\mathbf{p}}_0\\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_1+{\mathbf{a}}_2{u_1}^2+\cdots +{\mathbf{a}}_n{u_1}^n& ={\mathbf{p}}_1\\ ⋮& \\ {\mathbf{a}}_0+{\mathbf{a}}_1{u}_9+{\mathbf{a}}_2{u_9}^2+\cdots +{\mathbf{a}}_n{u_9}^n& ={\mathbf{p}}_9\end{array}\end{array} \\ \Rightarrow \left(\begin{array}{ccccc}1& u_0& {u_0}^2& \dots & {u_0}^n\\ 1& u_1& {u_1}^2& \dots & {u_1}^n\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 1& u_9& {u_9}^2& \dots & {u_9}^n\end{array}\right)\left(\begin{array}{c}{\mathbf{a}}_0\\ {\mathbf{a}}_1\\ ⋮\\ {\mathbf{a}}_n\end{array}\right)=\left(\begin{array}{c}{\mathbf{p}}_0\\ {\mathbf{p}}_1\\ ⋮\\ {\mathbf{p}}_n\end{array}\right) \\ \Rightarrow \mathbf{UA}=\mathbf{P}\text{\hspace{1em}(15)} \end{gathered}$$

对于方程 $(15)$ ，我们已经确知其无解。我们可以从线性组合的几何意义的角度来思考方程 $(15)$，对其进行适当变形，有

$$\begin{gathered} \left(\begin{array}{ccccc}1& u_0& {u_0}^2& \dots & {u_0}^n\\ 1& u_1& {u_1}^2& \dots & {u_1}^n\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 1& u_9& {u_9}^2& \dots & {u_9}^n\end{array}\right)\left(\begin{array}{c}{\mathbf{a}}_0\\ {\mathbf{a}}_1\\ ⋮\\ {\mathbf{a}}_n\end{array}\right)=\left(\begin{array}{c}{\mathbf{p}}_0\\ {\mathbf{p}}_1\\ ⋮\\ {\mathbf{p}}_n\end{array}\right) \\ \Rightarrow \left(\begin{array}{c}1\\ 1\\ ⋮\\ 1\end{array}\right){\mathbf{a}}_0+\left(\begin{array}{c}{u}_0\\ u_1\\ ⋮\\ u_9\end{array}\right){\mathbf{a}}_1+\cdots +\left(\begin{array}{c}{u_0}^n\\ {u_1}^n\\ ⋮\\ {u_9}^n\end{array}\right){\mathbf{a}}_n \\ \Rightarrow {\mathbf{u}}_0{\mathbf{a}}_0+{\mathbf{u}}_1{\mathbf{a}}_1+\cdots +{\mathbf{u}}_n{\mathbf{a}}_n=\mathbf{P}\text{\hspace{1em}(16)} \end{gathered}$$

即我们要在 ${\mathbf{u}}_0,{\mathbf{u}}_1,\dots ,{\mathbf{u}}_n$ 张成的空间中找到一组系数 ${\mathbf{a}}_0,{\mathbf{a}}_1,\dots ,{\mathbf{a}}_n$，使得 ${\mathbf{u}}_0,{\mathbf{u}}_1,\dots ,{\mathbf{u}}_n$ 在这组系数下的线性组合是 $\mathbf{P}$ 。

我们是不可能找到这样的系数组合的。可以类比下面的例子。有向量 ${\mathbf{u}}_0=[1,0{]}^T$ ，${\mathbf{u}}_1=[0,1{]}^T$ ，$\mathbf{U}=[{\mathbf{u}}_0,{\mathbf{u}}_1]$，我们要找到一组系数 $[a_0,a_1]$ 使得 ${\mathbf{u}}_0{a}_0+{\mathbf{u}}_1{a}_1=\mathbf{P}=(1,1,1{)}^T$ 。我们能做的是在 ${\mathbf{u}}_0,{\mathbf{u}}_1$ 张成的空间中找到一组 $\mathbf{A}=[a_0,a_1{]}^T$ 使得 ${\mathbf{P}}^{\ast }={\mathbf{u}}_0{a}_0+{\mathbf{u}}_1{a}_1=\mathbf{UA}$ 距离 $\mathbf{P}$ 最近。从几何上看，即 $\mathbf{P}-{\mathbf{P}}^{\ast }$ 与 ${\mathbf{u}}_0$ 和${\mathbf{u}}_1$ 垂直，即 ${\mathbf{u}}_0^T\cdot (\mathbf{P}-{\mathbf{P}}^{\ast })=0$ 和 ${\mathbf{u}}_1^T\cdot (\mathbf{P}-{\mathbf{P}}^{\ast })=0$ ，可以写作 ${\mathbf{U}}^T\cdot (\mathbf{P}-{\mathbf{P}}^{\ast })={\mathbf{U}}^T\cdot (\mathbf{P}-\mathbf{UA})=0$ ，从而有 $\mathbf{A}=({\mathbf{U}}^T\mathbf{U}{)}^{-1}{\mathbf{U}}^T\mathbf{P}$ 。

$\mathbf{A}=({\mathbf{U}}^T\mathbf{U}{)}^{-1}{\mathbf{U}}^T\mathbf{P}$ 同样适用于公式 $(15)$ 。给定了采样点，我们就能得到 $\mathbf{P}$ ，给定了逼近的曲线次数 $n$ 和合适的参数化，我们就能得到 $\mathbf{U}$ 。从而得到逼近的幂基曲线的系数 $\mathbf{A}$ 。

上图展示了用 $1-9$ 次的幂基曲线依次逼近 $10$ 个圆弧上采样点的结果。可以看到，随着所用逼近曲线次数的增加，距离平方和在逐渐减小，这也意味着曲线将逐渐向所有的点靠拢，直至采用了 $9$ 次曲线，逼近曲线与逼近点的平方距离和为 $0.0$ ，这意味着曲线通过了所有的点。也可以将 $9$ 次幂基曲线逼近 $10$ 个点的情况理解为一种特殊的最小二乘，其实这是一种 $m=n$ 的插值的情况。

到此为止，我们终于能够通过输入点和次数来构建幂基曲线。采用插值的方式能够确保结果通过所有的点，但是随着点数的增加，所需的次数也在增加，高次曲线会让曲线发生不可控的扭曲，此外高次曲线的计算成本也很高，此时可以采用低次样条插值；采用逼近的方式能够用较低次数的曲线（可以理解为结构比较简单）兼容更多的输入点信息。试想这样的应用场景：有一个翼型数据，是用离散点表示的，点数也很多，此时我们可以选择 低次样条曲线插值 或者 低次曲线逼近 。

我们选择 NACA 2414 翼型 ，其由61个数据点表示。我们用 $3$ 次样条插值和 $10$ 次最小二乘逼近来创建该翼型曲线，其结果分别是 $60$ 个连续的 $3$ 次幂基曲线和 $1$ 个 $10$ 次幂基曲线。可以看到，样条插值的效果要比最小二乘逼近好多了。如果用一个 $60$ 次的幂基曲线直接插值呢？从数值稳定性的角度来看，在CAD中是很排斥高次曲线的，可以想象，让计算机计算一个数的 $60$ 次方，再小的误差都会被放大。