径向基函数（RBF）基础：从数学定义到插值思想
各位同学，咱们今天聊聊径向基函数。说实话，我第一次接触RBF的时候，觉得这名字挺唬人的。什么径向？什么基函数？后来做项目用多了才发现，这东西说白了就是一种“按距离算权重”的数学工具。
你想想看，自由曲面设计里，我们经常遇到一个问题：手里只有几个离散的测量点，但想要一个连续光滑的曲面。RBF就是干这个的——它用已知点去“猜”未知点的值。
RBF的数学定义
先看定义。径向基函数，核心就两个字：径向。意思是函数值只取决于输入点到某个中心点的欧氏距离。
数学上这么写：
φ(x) = φ(||x - c||)其中：
- x 是输入点（向量）
- c 是中心点（向量）
- ||·|| 表示欧氏距离（就是咱们初中学的两点间距离）
- φ 是径向基函数本身
嗯，这里要注意：φ 的输入是一个标量（距离），输出也是一个标量。所以RBF天然就是旋转对称的——不管从哪个方向看，距离一样，输出就一样。
常见核函数：三员大将
RBF家族里，常用的核函数就那么几种。我按自己的使用频率排个序：
| 核函数 | 数学表达式 | 形状参数 | 我的评价 |
|---|---|---|---|
| Gaussian（高斯） | φ(r) = e-(εr)² | ε > 0 | 最常用，光滑，但局部性太强 |
| Multiquadric（多二次） | φ(r) = √(1 + (εr)²) | ε > 0 | 全局性好，我项目里用得最多 |
| Thin Plate Spline（薄板样条） | φ(r) = r² ln(r) | 无 | 物理意义明确，适合大变形 |
1. Gaussian 核函数
公式：φ(r) = e-(εr)²
这个函数长什么样？就是一个钟形曲线。中心点处值为1，离中心越远，值越接近0。参数ε控制“衰减速度”——ε越大，衰减越快。
2. Multiquadric 核函数
公式：φ(r) = √(1 + (εr)²)
这个函数跟Gaussian不一样。它随着距离增大而增大，但增速越来越慢。你想想看，这意味着什么？远处的点仍然有贡献，只是贡献小一些。
我个人习惯用Multiquadric做自由曲面插值。原因很简单：它不会“忘记”远处的数据点。在曲面设计里，一个局部的修改往往会影响整体形状，Multiquadric正好能体现这种全局影响。
3. Thin Plate Spline 核函数
公式：φ(r) = r² ln(r)
这个函数有点特殊。它没有形状参数，而且当r=0时，函数值为0（因为r² ln(r)在r→0时趋于0）。
我记得第一次用TPS是在一个机翼曲面重构项目里。当时数据点分布很不均匀，有的地方密，有的地方稀。Gaussian和Multiquadric都试过了，效果不理想。换成TPS后，曲面质量明显提升——因为它能更好地处理“稀疏区域”的插值。
- Gaussian：局部战士，适合密集均匀的数据
- Multiquadric：全局选手，适合大多数工程场景
- TPS：物理大师，适合大变形和稀疏数据
RBF插值的核心思想
好了，现在咱们知道了RBF是什么，也认识了三个常用核函数。那RBF插值到底是怎么做的？
说白了，就三步：
- 选中心点：通常就是你的已知数据点
- 建方程组：让插值函数在已知点处精确等于已知值
- 解系数：解一个线性方程组，得到每个中心点的权重
数学上，RBF插值函数长这样：
s(x) = Σ w_i · φ(||x - c_i||) (i = 1, 2, ..., N)其中：
- N 是已知数据点的个数
- c_i 是第i个中心点（已知数据点）
- w_i 是待求的权重系数
- φ 是你选的核函数
要解出w_i，我们需要让s(x)在已知点处等于已知值：
s(c_j) = y_j (j = 1, 2, ..., N)这就得到了一个N×N的线性方程组：
Φ · w = y其中Φ_ij = φ(||c_i - c_j||)，y是已知值向量，w是待求权重向量。
知识结构图：RBF插值全流程
下面这张图把RBF插值的完整流程画出来了，从输入到输出，一目了然：
一个简单的例子
光说理论太干，咱们看个具体例子。假设有三个已知点：
- 点1：c₁ = (0, 0)，值 y₁ = 1.0
- 点2：c₂ = (1, 0)，值 y₂ = 0.5
- 点3：c₃ = (0, 1)，值 y₃ = 0.8
用Gaussian核（ε=1），构建矩阵Φ：
Φ = [
[1.0000, 0.3679, 0.3679],
[0.3679, 1.0000, 0.6065],
[0.3679, 0.6065, 1.0000]
]解方程组 Φ·w = y，得到权重：
w = [0.8321, -0.1042, 0.2721]现在，想求点x = (0.5, 0.5)处的值：
s(0.5, 0.5) = 0.8321 × e^(-0.7071²) + (-0.1042) × e^(-0.7071²) + 0.2721 × e^(-0.7071²)
= (0.8321 - 0.1042 + 0.2721) × 0.6065
= 1.0000 × 0.6065
= 0.6065实际工程中的注意事项
做了这么多年曲面设计，我总结了几条RBF插值的实战经验：
- 数据点别太少：少于10个点，RBF插值基本没用。我见过有人拿3个点做RBF，结果曲面形状完全失控。
- 形状参数要调：Gaussian和Multiquadric的ε参数很敏感。我一般用交叉验证来选ε，或者干脆用TPS（没参数，省心）。
- 注意边界效应：RBF在数据点覆盖区域之外的表现可能很差。我曾经在曲面外延部分吃过亏——插值结果直接飞了。
- 计算量不小：N个点，矩阵就是N×N。N=1000时，解方程组已经有点吃力了。N=10000？嗯，你得考虑用快速多极算法（FMM）了。