几何建模与处理之二数据拟合（2）

几何建模与处理之二数据拟合（2）
- 函数拟合

回顾：学习了函数、映射、变换等数学上的基础概念和知识，数据拟合的三步曲方法论，四种拟合方法，继续学习函数拟合问题。

函数拟合

输入：一些观察（采用）点(lbrace x_i,y_i brace_{i=0}^n)

输出：拟合数据点的函数(y=f(x))，并用于预测

拟合函数的“好坏”

分段线性插值函数(y=f_1(x))

数据误差为0
函数性质不好：只有C⁰连续，不光滑（数值计算）

光滑插值函数(y=f_2(x))

数据误差为0
可能被“差数据”（噪声、outliers）带歪，导致函数性质不好、预测不可靠

逼近拟合函数(y=f_3(x))

数据误差不为0，但足够小

多项式插值

多项式插值定理：若(x_i)两两不同，则对于任意给定的(y_i)，存在唯一的次数至多是

n次的多项式(p_n)，使得(P_n(x_i)=y_i,i=0,dots,n)。

技巧1：构造插值问题的通用解

寻找一组次数为n的多项式基函数(l_i)使得

[l_i(x_j)=egin{cases} 1,i=j\0,i e jend{cases} ]

插值问题的解为：

[P(x)=y_0l_0(x)+y_1l_1(x)+cdots+y_nl_n(x)=sum_{i=0}^ny_il_i(x) ]

计算多项式(l_i(x)):

[l_i(x)=C_i(x-x_0)(x-x_i)...(x-x_{i-1})(x-x_{i+1})...(x-x_n)\=C_iprod_{j e i}(x-x_j)\ C_i=frac{1}{prod_{j e i}(x-x_j)} ]

最终多项式基函数（拉格朗日多项式）为

[l_i(x)=prod_{j=0,j e i}frac{x-x_j}{x_i-x_j} ]

技巧2：更方便的求解表达

Newton插值：具有相同“导数”（差商）的多项式构造（n阶Taylor展开）

定义：

一阶差商：

[f[x_0,x_1]=frac{f(x_1)-f(x_0)}{x_1-x_0} ]

k阶差商：

[f[x_0,x_1,dots,x_k]=frac{f[x_1,dots,x_k]-f[x_0,x_1,dots,x_k]}{x_k-x_0} ]

Newton 插值多项式：

[N_n(x)=f(x_0)+f[x_0,f_1](x-x_0)+dots+f[x_0,x_1,dots,x_k](x-x_0)cdots(x-x_n-1) ]

多项式插值存在的问题

系统矩阵稠密
依赖于基函数选取，矩阵可能病态，导致难以求解（求逆）

病态问题：

输入数据的细微变化导致输出（解）的剧烈变化
将线性方程看成直线（超平面）当系统病态时，直线变为近似平行，求解（即直线求交）变得困难、不精确

矩阵条件数：

[k_2(A)=frac{max_{x e 0}frac{||Ax||}{x}}{min_{x e 0}frac{||Ax||}{x}} ]

等于最大特征值和最小特征值之间比例
条件数大意味着基元之间有太多相关性

对于等距分布的数据点(x_i)，范德蒙矩阵的条件数随着数据点数n呈指数级增长(多项式的最高次数为n -1)

原因：

幂（单项式）函数基：幂函数之间差别随着次数增加而减小；不同幂函数之间唯一差别为增长速度（(x^i)比(x^{x-i})增长块）

趋势：

好的基函数一般需要系数交替；互相抵消问题

解决方法：

使用正交多项式基（ Gram‐Schmidt正交化）

多项式插值的结果：

振荡（龙格Runge）现象；
对插值点数高度敏感性

多项式逼近

使用逼近型的好处：

数据点含噪声、outliers等
更紧凑的表达
计算简单、更稳定

最小二乘逼近

[mathop{argmin}_{fin span(B)}sum_{j=1}^m(f(x_j)-y_j)^2\ egin{aligned} sum_{j=1}^m(f(x_i)-y_j)^2 &=sum_{j=1}^m(sum_{i=1}^nlambda _ib_i(x_j)-y_j)^2\ &=(Mlambda-y)^T(Mlambda-y)\ &=lambda^TM^TMlambda-y^TMlambda-lambda^TM^Ty+y^Ty\ &=lambda^TM^TMlambda-2y^TMlambda+y^Ty end{aligned} ]

法方程最小解满足

[M^TMlambda=M^Ty ]

(最小化二次目标函数：(x^TAx+b^T+c)，充分必要条件：(2Ax=-b))

函数空间及基函数

Bernstein多项式做逼近

伯尔斯坦Bernstein给出了构造性证明。

对[0,1]区间上任意连续函数(f(x))和任意正整数(n)，以下不等式对所有(xin [0,1])成立

[|f(x)-B_n(f,x)|lt frac94m_{f,n}\ m_{f,n}=mathop {lower upper bound}_{y_1,y_2in [0,1]且|y_1-y_2|lt frac{1}{sqrt n}}|f(y_1)-f(y_2)|\ B_n(f,x)=sum_{j=0}^nf(x_j)b_{n,j}(x)，其中$x_j$为[0,1]上等距采样点\ b_{n,j}=egin {pmatrix} n\i end {pmatrix}x_j(1-x)^{n-j} ]

(b_{n,j})为Bernstein多项式。

Bernstein基函数的良好性质：非常好的几何意义！

正性、权性（和为1）
凸包性
变差缩减性
递归线性求解方法
细分性
...

（在Bezier曲线和B样条篇更详细地学习）

RBF函数插值/逼近

Gauss函数

两个参数：均值(mu)，方差(sigma)

(g_{mu, sigma}(x)=frac{1}{sqrt{2pi}}e^{-frac{(x-mu)^2}{2sigma^2}})
几何意义：
- 均值(mu)：位置
- 方差(sigma)：支集宽度
不同均值和方差的Gauss函数都线性无关

RBF函数拟合

RBF函数：

[f(x)=b_0+sum_{i=1}^nb_ig_i(x) ]

均值(mu)，方差(sigma)对函数的形状影响较大，考虑同时对均值(mu)，方差(sigma)优化。

一般Gauss函数表达为标准Gauss函数的形式：

[g_{mu, sigma}(x)=frac{1}{sqrt{2pi}}e^{-frac{(x-mu)^2}{2sigma^2}}=frac{1}{sqrt{2pi}}e^{-frac12(frac xsigma-frac mu sigma)^2}=g_{0,1}(ax+b)\ a=frac 1sigma,b=-frac mu sigma ]

则RBF函数表达为：

[f(x)=omega_0+sum_{i=1}^nomega_ig_{0,1}(a_ix+b_i) ]

用标准表达后，基函数是由一个基本函数通过平移和伸缩变换而来的。n足够大，a和b足够多（随机），所产生的函数空间可以逼近所有函数。

将Gauss函数看成网络：

神经元：

RBF神经网络

高维情形：RBF（Radial Basis Function），径向基函数
一种特殊的BP网络，优化：BP算法
核函数思想
Gauss函数的特性：拟局部性

启发：由一个简单的函数通过（仿射）变换构造出一组基函数，张成一个函数空间

几种常用的激活函数：

高维情形：多元函数

变量的多个分量的线性组合：

[(x_1,x_2,dots,x_n) o g_{0,1}(a_1^ix_1+a_2^ix_2+dots+a_n^ix_n+b_i) ]

单隐层神经网络函数：

[f(x_1,x_2,dots,x_n)=omega_0+sum_{i=1}^nw_ig_{0,1}(a_1^ix_1+a_2^ix_2+dots+a_n^ix_n+b_i) ]

多层神经网络：多重复合的函数

线性函数和非线性函数的多重复合：

[h_{W,b}(x)=f(W^Tx)=f(sum_{i=1}^3W_ix_i+b) ]

[a_1^{(2)}=f(W_{11}^{(1)}x_1+W_{12}^{(1)}x_2+W_{13}^{(1)}x_3+b_1^{(1)})\ a_2^{(2)}=f(W_{21}^{(1)}x_1+W_{22}^{(1)}x_2+W_{23}^{(1)}x_3+b_2^{(1)})\ a_3^{(2)}=f(W_{31}^{(1)}x_1+W_{32}^{(1)}x_2+W_{33}^{(1)}x_3+b_3^{(1)})\ h_{W,b}(x)=a_1^{(3)}=f(W_{11}^{(2)}a_1^{(2)}+W_{12}^{(2)}a_2^{(2)}+W_{13}^{(2)}a_3^{(2)}+b_1^{(2)}) ]

用神经网络函数来拟合数据

理论支撑：万能逼近定理：自由度足够多

问题建模

理解问题、问题分解（多个映射级联） …

找哪个？

损失函数、各种Penalty、正则项 …

到哪找？

神经网络函数、网络简化 …

怎么找？

优化方法（BP方法）
初始值、参数 …

调参：有耐心、有直觉

作者：YIMG

出处：http://www.cnblogs.com/YIMG/

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须在文章页面给出原文链接，否则保留追究法律责任的权利。