我有一些二维的np.数组(大小相等)包含复数的。它们都属于四维空间中的一个位置。这些位置稀疏且分布不规则(准确地说是拉丁超立方体)。 我想把这些数据插值到同一个四维空间中的其他点。在
我可以使用sklearn.kriging()
、scipy.interpolate.Rbf()
(或其他方法)成功地对简单数字执行此操作:
# arrayof co-ordinates: 2 4D sets
X = np.array([[1.0, 0.0, 0.0, 0.0],\
[0.0, 1.0, 0.0, 0.0]])
# two numbers, one for each of the points above
Y = np.array([1,\
0])
# define the type of gaussian process I want
kriging = gp.GaussianProcess(theta0=1e-2, thetaL=1e-4, thetaU=4.0,\
corr='linear', normalize=True, nugget=0.00001, optimizer='fmin_cobyla')
# train the model on the data
kmodel = kriging.fit(X,Y)
# interpolate
kmodel.predict(np.array([0.5, 0.5, 0.0, 0.0]))
# returns: array([ 0.5])
如果我试图使用数组(或者仅仅是复数)作为数据,这是行不通的:
^{pr2}$这是显而易见的,因为kriging.fit()
的docstring清楚地说明它需要一个n个标量的数组,每个标量在X的第一个维度中每个元素一个
一种解决方案是将Y中的数组分解成单独的数,将这些数分解成实部和虚部,分别对每个数进行插值,然后再将它们组合在一起。我可以用正确的循环组合和一些艺术技巧来实现这一点,但是如果有一个方法(例如在scipy.interpolate
)中可以处理整个np.数组而不是标量值。在
我还没有确定具体的算法,所以我很乐意知道任何可以使用复数数组作为插值“变量”的算法。因为——正如我所说——空间中几乎没有不规则的点(而且没有网格可以插值),所以简单的线性插值当然不行。在
复杂数字有两种方法:
当您说要在两个极坐标之间进行插值时,是要相对于实数/虚数分量(1)进行插值,还是相对于数字的幅值和相位(2)进行插值?在
你可以把事情分解成实部和虚部
但是,对于涉及复数的实际应用程序,例如数字滤波器设计,您通常需要使用极性/指数形式的数字。在
因此,不是插值np.实数()和np图像()组件,您可能需要使用np.abs()和Angle或Arctan2,分别插值。例如,当你试图插值数字滤波器的傅里叶变换时,你可以这样做。在
^{pr2}$插值值可以用欧拉公式转换回复(笛卡尔)数
根据你正在做什么,这给你一些真正的灵活性与插值方法,你使用。在
我最终解决了这个问题,但是在学习了更多关于响应曲面之类的知识之后,我现在明白了这是一个远远不是小事的问题。我不可能指望在
numpy
中有一个简单的解决方案,而且这个问题应该放在数学论坛上,而不是放在编程上。在如果我不得不再次处理这样一个任务,我可能会使用
scikit-learn
来尝试建立两个分量的共同克里格插值,或者两个单独的Kriging(或更一般的高斯过程)模型,它们共享一组共同的模型常数,优化以最小化组合误差幅度(即:全模型误差平方等于和)部分模型误差)但首先我会去看看是否已经没有关于这个主题的有用的论文。在
相关问题 更多 >
编程相关推荐