📚 课程目录第3章常用径向基函数

3. 常用径向基函数：高斯函数、多二次函数、逆多二次函数、薄板样条函数、紧支撑径向基函数

聊到径向基函数，很多人第一反应就是“选哪个？”

说实话，这个问题我当年也纠结过。刚入行那会儿，我总觉得高斯函数是万能的，结果在某个大变形曲面拟合项目里翻了车。后来才明白——没有最好的基函数，只有最合适的。

这一节，我把工程中最常用的五种径向基函数掰开揉碎了讲。每种函数我都会给出数学形式、形状参数、适用场景，以及我踩过的坑。

核心观点：径向基函数的选择，本质上是“拟合精度”与“数值稳定性”之间的博弈。光滑性越高的函数，条件数往往越差；紧支撑函数虽然稳定，但覆盖范围有限。

高斯函数是入门首选，也是我最早接触的径向基函数。

φ(r) = exp(-ε²r²)

其中 ε 是形状参数，r 是欧氏距离。

这个函数有个特点——局部性极强。距离中心点稍远，函数值就迅速衰减到接近零。我在做点云数据插值时发现，高斯函数对噪声数据特别友好，因为它天然带有“平滑滤波”的效果。

我曾经踩过的坑：有一次做三维地质曲面插值，我用了高斯函数，ε 取了 3.0。结果矩阵条件数到了 10^15 量级，求解器直接报错。后来把 ε 降到 1.2，问题就解决了。记住——ε 越大，矩阵越病态。

多二次函数是我个人最常用的函数之一。它的形式是：

φ(r) = √(r² + c²)

你没看错——它没有指数项，只有开方。这意味着什么？全局性。随着 r 增大，函数值线性增长，不会衰减到零。

我在做飞机机翼变形曲面重构时，MQ 函数的表现让我印象深刻。它特别适合那种“整体趋势明显、局部细节丰富”的数据。

这里有个关键参数 c，我习惯叫它“形状控制参数”：

小技巧：我一般取 c 为数据点平均间距的 1~2 倍。比如点云平均间距 0.5mm，c 就取 0.5~1.0。这个经验值在 80% 的项目里都管用。

逆多二次函数可以看作是 MQ 的“反转版”：

φ(r) = 1 / √(r² + c²)

它和高斯函数类似，具有局部性——距离越远，函数值越小。但衰减速度比高斯慢，属于“中等局部性”。

你想想看，什么时候用 IMQ？我个人的经验是：当高斯函数太“尖”、MQ 又太“散”的时候，IMQ 是个不错的折中方案。

举个例子，我在做汽车碰撞假人头部变形重构时，数据点分布不均匀——有些区域密集，有些区域稀疏。高斯函数在稀疏区域插值效果很差，MQ 又在密集区域产生振荡。换成 IMQ 后，效果好了很多。

薄板样条函数在工程界地位特殊。它的形式是：

φ(r) = r² log(r)

这个函数有个特点——没有形状参数。你不需要调 ε 或 c，直接用就行。这在工程自动化流程中非常方便。

我记得有一次做风洞实验数据插值，数据量很大（几万个点），如果用高斯函数，光调参就要花半天。换成 TPS，直接跑，结果还比调参后的高斯函数好。

但 TPS 也有缺点：

工程建议：TPS 最适合“数据量中等（几百到几千点）、不需要调参、追求光滑性”的场景。如果你做的是快速原型验证，TPS 是首选。

紧支撑函数是我最近几年用得越来越多的函数。它的核心思想是：只在局部范围内起作用，超出支撑半径就归零。

最经典的 Wendland 函数族，比如 C² 连续的：

φ(r) = (1 - r)⁴ · (4r + 1)   (0 ≤ r ≤ 1)
φ(r) = 0                      (r > 1)

这里的 r 是归一化距离，支撑半径通常记为 δ。

紧支撑函数最大的优势是——矩阵稀疏。因为每个基函数只影响局部区域，系数矩阵中大部分元素都是零。对于十万、百万量级的数据点，这是唯一可行的方案。

注意：支撑半径 δ 的选择直接影响计算效率。δ 太小，局部区域可能没有足够的数据点支撑插值；δ 太大，稀疏性优势就没了。我一般取 δ 为数据点平均间距的 3~5 倍，然后根据结果微调。

为了方便你快速选择，我整理了一张对比表：

函数名称	数学形式	局部/全局	形状参数	数值稳定性	我的推荐场景
高斯	exp(-ε²r²)	局部	ε	中等	噪声数据、点云平滑
多二次 (MQ)	√(r² + c²)	全局	c	较好	大变形、整体趋势明显
逆多二次 (IMQ)	1/√(r² + c²)	中等局部	c	较好	分布不均匀数据
薄板样条 (TPS)	r² log(r)	全局	无	一般	快速原型、中小数据量
紧支撑 (CSRBF)	Wendland 族	局部	δ	好	大数据量、稀疏矩阵

下面这张图是我自己总结的选型逻辑，你可以把它当作决策参考：

说了这么多，最后分享几条实战经验：

嗯，这一节的内容就到这里。五种常用径向基函数，每种都有它的脾气。你上手用几次，自然就摸透了。