具有任意输入和输出维数的向量值多元函数的Numpy/Scipy逼近
起点是m维向量值函数 , 其中,输入也是一个n维向量: 此函数的输入和输出是numpy向量。这个函数计算起来很昂贵,所以我需要一个近似值/插值 是否存在一个numpy/scipy函数,该函数在任意尺寸m,n的x的给定值附近返回近似值,例如泰勒展开 所以本质上,我要求对scipy.interpolate.approximate_taylor_多项式进行推广,因为我也对近似的二次项感兴趣 在scipy.interpolate中,向量值x似乎有一些选项,但仅针对标量函数,但仅在函数的m个分量上循环不是一个选项,因为这些分量无法单独计算,并且调用函数的频率将超过必要的频率具有任意输入和输出维数的向量值多元函数的Numpy/Scipy逼近,numpy,scipy,interpolation,taylor-series,function-approximation,Numpy,Scipy,Interpolation,Taylor Series,Function Approximation,起点是m维向量值函数 , 其中,输入也是一个n维向量: 此函数的输入和输出是numpy向量。这个函数计算起来很昂贵,所以我需要一个近似值/插值 是否存在一个numpy/scipy函数,该函数在任意尺寸m,n的x的给定值附近返回近似值,例如泰勒展开 所以本质上,我要求对scipy.interpolate.approximate_taylor_多项式进行推广,因为我也对近似的二次项感兴趣 在scipy.interpolate中,向量值x似乎有一些选项,但仅针对标量函数,但仅在函数的m个分量上循环不
如果这样的函数不存在,那么使用现有方法并避免不必要的函数调用的快速方法也会很好。我认为您必须使用自己的近似方法。想法很简单:在一些合理的点对函数进行采样(至少与泰勒近似中的单项式一样多,但最好更多),然后用
np.linalg.lstsq
拟合系数。实际配合是一条线,其余的是准备
我将使用一个n=3,m=2的例子,三个变量和二维值。初始设置:
import numpy as np
def f(point):
x, y, z = point[0], point[1], point[2]
return np.array([np.exp(x + 2*y + 3*z), np.exp(3*x + 2*y + z)])
n = 3
m = 2
scale = 0.1
比例
参数的选择受到与近似泰勒多项式
文档字符串相同的考虑(参见)
下一步是生成点。对于n个变量,二次拟合涉及1+n+n*(n+1)/2
单项式(一个常数,n个线性,n(n+1)/2个二次)。我使用1+n+n**2
点,这些点位于(0,0,0)
周围,具有一个或两个非零坐标。具体的选择有些武断;我找不到多元二次拟合的“标准”样本点选择
points = [np.zeros((n, ))]
points.extend(scale*np.eye(n))
for i in range(n):
for j in range(n):
point = np.zeros((n,))
point[i], point[j] = scale, -scale
points.append(point)
points = np.array(points)
values = f(points.T).T
数组values
保存每个点的函数值。前一行是调用f
的唯一位置。下一步,为模型生成单项式,并在这些相同的点上对其进行评估
monomials = [np.zeros((1, n)), np.eye(n)]
for i in range(n):
for j in range(i, n):
monom = np.zeros((1, n))
monom[0, i] += 1
monom[0, j] += 1
monomials.append(monom)
monomials = np.concatenate(monomials, axis=0)
monom_values = np.prod(points**monomials[:, None, :], axis=-1).T
让我们回顾一下情况:我们有函数的值,这里有形状(13,2)的值,还有单项式的值,形状(13,10)的值。这里13是点数,10是单项式数。对于值的每一列
,lstsq
方法将找到最接近它的单项式
列的线性组合。这些是我们想要的系数
coeffs = np.linalg.lstsq(monom_values, values, rcond=None)[0]
让我们看看这些是否有用。系数为
[[1. 1. ]
[1.01171761 3.03011523]
[2.01839762 2.01839762]
[3.03011523 1.01171761]
[0.50041681 4.53385141]
[2.00667556 6.04011017]
[3.02759266 3.02759266]
[2.00667556 2.00667556]
[6.04011017 2.00667556]
[4.53385141 0.50041681]]
数组单项式
,仅供参考
[[0. 0. 0.]
[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]
[2. 0. 0.]
[1. 1. 0.]
[1. 0. 1.]
[0. 2. 0.]
[0. 1. 1.]
[0. 0. 2.]]
因此,例如,编码为[2、0、0]
、的单体x**2
,得到函数的两个组件的系数[0.50041681 4.53385141]
。这很有意义,因为它在exp(x+2*y+3*z)
的泰勒展开式中的系数是0.5,在exp(3*x+2*y+z)
的泰勒展开式中的系数是4.5
函数f的近似值可通过以下公式获得:
def fFit(point,coeffs,monomials):
return np.prod(point**monomials[:, None, :], axis=-1).T.dot(coeffs)[0]
testpoint = np.array([0.05,-0.05,0.0])
# true value:
print(f(testpoint)) # output: [ 0.95122942 1.0512711 ]
# approximation:
print(fFit(testpoint,coeffs,monomials)) # output: [ 0.95091704 1.05183692]
谢谢,完美的答案!一个小评论:有n(n+1)/2个二次单项式,例如,对于n=3,有6个。无法编辑您的答案,因为必须更改至少6个字符。