将RBF用于插值
标签(空格分隔):径向基函数插值 算法 RBF
曲面重构
当高维数据稀疏,需要预测一些数据,需要使用曲面重构的方法。 曲面重构一般可以分为:
插值
重构
曲面插值里我们一般使用径向基函数插值。
RBF (Radial Basis Function)可以看作是一个高维空间中的曲面拟合(逼近)问题,学习是为了在多维空间中寻找一个能够最佳匹配训练数据的曲面,然后来一批新的数据,用刚才训练的那个曲面来处理。
RBF是一系列精确插值方法的组合,即表面必须通过每一个测到的曲面值。
RBF网络能够逼近任意的非线性函数,可以处理系统内的难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。
简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数(权值或阈值)对任何一个输出都有影响时,这样的网络称为全局逼近网络。由于对于每次输入,网络上的每一个权值都要调整,从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。
如果对于输入空间的某个局部区域只有少数几个连接权值影响输出,则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型(CMAC)网络、B样条网络等。
将设RBF是非线性函数
\begin{equation}
\varphi(r) = \varphi(|x-x_i|)
\end{equation}
他的参数依赖于n维空间的欧式范数:
\begin{equation}
||\vec