一、RBF入门：从一次曲面拟合的翻车说起
我记得刚入行那会儿，接手过一个三维地形重建的项目。客户给了几百个散乱测量点，要求生成光滑曲面。我二话不说上了全局多项式拟合，结果呢？边界处震荡得像地震仪记录——这就是著名的龙格现象。后来导师甩给我一句话：「试试径向基函数。」嗯，从那以后，我的曲面拟合工具箱里就永远留了一个位置给 RBF。
今天咱们就来聊聊这个让我「真香」的工具。说白了，径向基函数就是一种以距离为核心的特殊函数。你给它两个点，它告诉你：距离越近，影响越大；距离越远，影响越小。就这么简单。
1.1 什么是径向基函数
先看数学定义。一个函数 φ(x) 如果只依赖于输入点到某个中心点 c 的欧氏距离，那它就是径向基函数：
φ(x) = φ(||x - c||)这里的 ||·|| 表示欧氏距离。关键点在于：函数值只和距离有关，和方向无关。所以叫「径向」——沿着半径方向对称。
常见的径向基函数有这些：
| 名称 | 数学形式 | 特点 |
|---|---|---|
| 高斯函数 | φ(r) = exp(-ε²r²) | 光滑、局部性强、最常用 |
| 多二次函数 | φ(r) = √(1 + ε²r²) | 全局性好、适合大尺度 |
| 逆多二次函数 | φ(r) = 1/√(1 + ε²r²) | 局部性好、矩阵条件数好 |
| 薄板样条 | φ(r) = r² log(r) | 物理意义明确、适合二维 |
| 线性/三次函数 | φ(r) = r 或 r³ | 简单、无参数、但光滑度差 |
1.2 RBF的核心思想：用距离说话
RBF 的核心思想其实就一句话：用已知点的加权组合来预测未知点。权重由距离决定。
具体来说，给定 N 个已知数据点 (xᵢ, yᵢ)，我们要找一个函数 f(x) 满足：
f(x) = Σᵢ wᵢ · φ(||x - xᵢ||)其中 wᵢ 是权重系数，φ 是径向基函数。把已知点代入，得到线性方程组：
Φ · w = y解出 w，就得到了完整的拟合函数。之后任意新点 x，直接代入公式就能算出预测值。
1.3 RBF与插值的关系
插值和拟合，很多人分不清。我简单说：
- 插值：曲线必须穿过每个已知点。适合测量精度高的场景。
- 拟合：曲线尽量靠近已知点，但不强求穿过。适合有噪声的数据。
RBF 天然适合做插值。因为它的线性方程组 Φ·w = y 只要矩阵 Φ 非奇异，解就是唯一的，而且保证在每个已知点处精确还原 yᵢ。这就是所谓的「精确插值」性质。
但注意，如果数据有噪声，强行插值会导致过拟合。这时候可以加一个正则化项：
(Φ + λI) · w = yλ 是正则化参数。λ=0 就是纯插值；λ>0 就是平滑拟合。我在项目中遇到过一批激光扫描数据，噪声很大，不加正则化拟合出来的曲面全是毛刺。加了 λ=0.01 之后，曲面光滑多了，而且精度损失在可接受范围内。
1.4 RBF的应用场景
RBF 的应用范围比你想的广。我列几个亲身经历过的：
| 领域 | 典型应用 | 为什么用 RBF |
|---|---|---|
| 计算机图形学 | 三维曲面重建、变形动画 | 散乱点插值、局部控制 |
| 地理信息系统 | 地形高程插值、气象数据网格化 | 处理不规则分布数据 |
| 机器学习 | RBF神经网络、分类器 | 非线性映射能力强 |
| 计算力学 | 无网格法、偏微分方程求解 | 不需要网格、精度高 |
| 逆向工程 | 点云数据拟合、模型重建 | 处理大规模散乱点 |
举个例子。我之前做过一个文物数字化项目，用三维扫描仪获取了一尊佛像的点云数据。数据量大概 200 万个点，分布极不均匀——面部密集，底座稀疏。用传统网格方法根本没法处理，但 RBF 天然支持散乱点，而且可以自适应调整基函数的形状参数，最终重建出来的佛像曲面光滑细腻，连衣纹褶皱都还原了。
1.5 本章知识结构图
下面这张图帮你理清 RBF 入门阶段的核心脉络：
1.6 本章小结
到这，RBF 入门的内容就差不多了。我帮你捋一下重点：
- RBF 是什么：以距离为核心的特殊函数，形式简单但功能强大
- 核心思想：用已知点的加权组合预测未知点，权重由距离决定
- 与插值的关系：天然适合插值，但真实数据要加正则化
- 应用场景：从图形学到力学，覆盖面很广