RBF的一维和二维逼近

最新推荐文章于 2022-08-09 21:21:25 发布

像在吹

最新推荐文章于 2022-08-09 21:21:25 发布

阅读量2.8k

点赞数 2

分类专栏： Python 机器学习文章标签： python RBF 逼近

本文链接：https://blog.csdn.net/zhangweiguo_717/article/details/52900654

版权

本文介绍了RBF（径向基函数）在函数逼近中的应用，特别是针对一维和二维问题的Python实现。通过构建逼近函数并使用欧氏距离，形成大型线性方程组来求解基函数。文章提供了对应的类实现，能够进行可视化，并指出这种方法在连续性变量预测问题中，尤其是在工程领域，表现出色。

摘要由CSDN通过智能技术生成

RBF在函数逼近上有非常好的表现，这里给出了RBF在单自变量单因变量，以及二自变量单因变量的逼近方法，进行Python实现，多维问题的逼近同样很方便，只需增加相应的维度即可，只是需要更多的数据。

一、原理（公式难写，如需具体文档可私信）

假设有n个样本，每个样本有m个属性，设第i个样本Xi的第j个属性为aij，其对应的目标值为fi，那么可以构建逼近函数F=A*a，A为n*m阶的矩阵，a为m*1阶的矩阵，Aij=Fine(dist(Xi-Xj))，Fine为基函数，常见的有MQ基函数，高斯基函数，多项式基函数，dist为距离，距离的定义可任性点，我这里选用的是欧氏距离。

将每个点代入这个逼近方程，可以得到一个求解大型线性方程组的问题，这样求出a后就能得到函数的逼近方程。

二、实现（分别对一维和二维给出了逼近的类，能可视化，其效果一般来说，都是非常好的，有兴趣的可以尝试，对于工程和互联网中的连续性变量预测问题，也能有非常好的应用，目前工程上应用偏多）

# -*- coding: utf-8 -*-
"""
Created on Fri Oct 07 09:29:46 2016

@author: zhangweiguo
"""
'''
这里用RBF解决一维和二维的数据拟合问题
所选用基函数有MQ，高斯，多项式
'''
import numpy
from matplotlib import py