python傅立叶光顺_函数型数据分析若干方法及应用

函数型数据分析若干方法及应用

【摘要】：许多领域所收集到的样本观测数据在数据空间中会呈现出一种明显的函数型特征,更多表现形式为光滑的曲线或连续的函数。在对函数型数据进行分析时,将观测到的数据(函数)看作一个整体,而不是一串数字,这是函数型数据分析方法与传统统计分析方法的本质区别。函数型数据分析的目标和传统统计学分析的目标基本一致,即：选用对进一步分析有利的方法来描述数据；为突出不同特征而对数据进行展示；研究数据类型的重要来源和数据之间的变化；利用输入(自变量的信息)来解释输出(因变量)的变化情况；对两组或者更多的某种类型的变量数据进行比较分析等等。

本文围绕上述目标,构建了一个比较完善、系统的函数型数据分析方法的理论框架。并在函数型数据分析方法的应用方面有所突破和拓展。主要从以下几个方面进行深入地研究。

1、基函数的选择。基函数展开是将观测得到的离散数据点平滑法预处理的重要手段。我们比较了最常用的傅里叶基函数、Bernstein基函数、B-样条基函数的各自优缺点以及它们的适用范围。更重要的是,本文构造出另外一些基函数：非均匀有理B-样条基函数、三角基函数和混合Bezier类基函数。并且指出,非均匀有理B-样条基函数克服了常用基函数无法准确描述曲线剧烈波动程度的缺点。三角基函数,提供了一个更加广阔的思路。利用该基函数构造的函数型数据曲线在满足一、二阶连续性方面减弱了多项式曲线要求的条件。混合Bezier类基函数不但保留了多项式基函数、有理B-样条基函数的优点,而且使计算更加简单。由此生成的函数型数据曲线具有更大的灵活性,得到更优的结果。

2、函数型数据曲线的光顺处理。惩罚函数法是传统的函数型数据曲线的光顺方法。除此之外,本文给出了能量光顺法的理论和方法。并在应用B-样条基函数的前提下,深入研究了局部能量最优光顺法、基于曲率均化的B-样条曲线能量光顺法、非均匀样条曲线光顺法以及分层能量光顺法。

基于均匀节点的B-样条曲线所提出的局部最优光顺法对于局部修改具有重要的实践意义,而且结果表明,该方法计算快速有效。