当前位置: 首页 > news >正文

python用最小二乘法实现平面拟合

文章目录

    • 数学原理
    • 代码实现
    • 测试

数学原理

平面方程可写为

A x + B y + C z + D = 0 Ax+By+Cz+D=0 Ax+By+Cz+D=0

假设 C C C不为0,则上式可以改写为

z = a x + b y + d z=ax+by+d z=ax+by+d

则现有一组点 { p i } \{p_i\} {pi},则根据 x i , y i x_i,y_i xi,yi以及平面方程,可以得到其对应的 z ^ i \hat z_i z^i

z ^ i = a x i + b y i + d \hat z_i=ax_i+by_i+d z^i=axi+byi+d

从而平面拟合就转换为了最小二乘问题

arg min ⁡ ∑ ∣ z i − z ^ i ∣ \argmin \sum \vert z_i-\hat z_i\vert argminziz^i

将其转换为矩阵形式,记

A = [ x 1 y 1 1 x 2 y 2 1 ⋮ ⋮ x n y n 1 ] , x = [ a b d ] , b = [ z 1 z 2 ⋮ z n ] A=\begin{bmatrix} x_1&y_1&1\\x_2&y_2&1\\\vdots&\vdots\\x_n&y_n&1 \end{bmatrix}, x=\begin{bmatrix}a\\b\\d\end{bmatrix}, b=\begin{bmatrix}z_1\\z_2\\\vdots\\z_n\end{bmatrix} A= x1x2xny1y2yn111 ,x= abd ,b= z1z2zn

则拟合方程变为

A x = b Ax=b Ax=b

相应地 x x x可写为

x = ( A T A ) − 1 A T b x=(A^TA)^{-1}A^Tb x=(ATA)1ATb

最小二乘法的原理可见:python实现最小二乘法

代码实现

其代码实现如下

import numpy as np
def planefit(points):xs, ys, zs = list(zip(*points))A = np.vstack([xs,ys,np.ones_like(xs)]).Tb = np.reshape(zs, [-1, 1])abd = np.linalg.inv(A.T @ A) @ A.T @ breturn abd.reshape(-1)

其中输入参数points为一组点。第一步将这些点进行坐标拆分,得到一一对应的xs, ys, zs。然后通过这些点,构造矩阵A和向量b,最后输出 ( A T A ) − 1 A T b (A^TA)^{-1}A^Tb (ATA)1ATb

测试

首先做一个初始化平面的函数,其功能是随机生成一组在平面中的点,并且为其添加一些噪声。

# 初始化平面
def initPlane(a, b, d, N, err=0.1):xs,ys = np.random.rand(2, N)zs = a*xs + b*ys + d + np.random.rand(N)*errreturn list(zip(xs, ys, zs))

然后用planefit函数对这些点进行拟合,通过对比二者之间的差异,来证实算法的有效性

import matplotlib.pyplot as pltpts = initPlane(2,3,4,100,1)
a,b,d = planefit(pts)xs, ys = np.indices([100,100])/100
zs = a*xs + b*ys + dax = plt.subplot(projection='3d')
ax.plot_surface(xs, ys, zs, cmap='jet')
ax.scatter(*np.array(pts).T, marker='*')
plt.show()

在这里插入图片描述

随着加入的噪声逐渐变大,拟合误差也越来越大

errs = [0.01, 0.1, 0.2, 0.5, 1, 3, 5]
fits = []
for err in errs:pts = initPlane(2,3,4,100,1)a,b,d = planefit(pts)fits.append([abs(a-2),abs(b-3),abs(d-4)])import pprint
pprint.pprint(fits)

[[0.09377971025135245, 0.023025216275622373, 0.4933931906466551],
[0.044310965250572654, 0.05681830483294226, 0.47952260969370997],
[0.051813469166934745, 0.017914573861143257, 0.47553046120193176],
[0.08578595894551588, 0.0464898508775029, 0.42791269232718054],
[0.011569662177250528, 0.15976404558136714, 0.4886516489062753],
[0.006829071411009302, 0.04832062421804073, 0.5193494695593301],
[0.1651263679674586, 0.0736367910618192, 0.44103226768552073]]


http://www.lryc.cn/news/236503.html

相关文章:

  • SpringCloud微服务:Nacos和Eureka的区别
  • 基于Springboot+Vue的校园在线打印预约系统
  • 计算机毕业设计选题推荐-掌心办公微信小程序/安卓APP-项目实战
  • 1.1二分查找
  • 提升工作效率,打造精细思维——OmniOutliner 5 Pro for Mac
  • idea显示pom.xml文件漂黄警告 Dependency maven:xxx:xxx is vulnerable
  • Linux中安装部署环境(JAVA)
  • Zabbix Proxy分布式监控
  • 前端设计模式之【代理模式】
  • Canal+Kafka实现MySQL与Redis数据同步(二)
  • NOIP2023模拟19联测40 诡异键盘
  • 算法设计与分析 | 众数问题(c语言)
  • sql server外键设置
  • R语言实现多变量孟德尔随机化分析(1)
  • 搭建 AI 图像生成器 (SAAS) php laravel
  • Maven引用本地jar包
  • 一起学docker系列之五docker的常用命令--操作容器的命令
  • WPF打开对话框选择文件、选择文件夹
  • nginx学习(3)
  • 【系统架构设计】计算机公共基础知识: 4 数据库系统
  • 主键问题以及分布式 id
  • ReentranReadWriteLock 使用案例
  • “我们把最扎心的话,说给了自己最亲近的人” 何解?| IDCF
  • MongoDB之索引和聚合
  • 【GEE】基于GEE进行非监督学习
  • 多视图聚类的论文阅读(一)
  • K-Means算法进行分类
  • 深度学习交通车辆流量分析 - 目标检测与跟踪 - python opencv 计算机竞赛
  • 网络协议入门 笔记一
  • 系列十一、你平时工作用过的JVM常用基本配置参数有哪些?