Eine einfache und unkomplizierte Art und Weise ist der kleinsten Quadrate zu verwenden, beschränkt, wo Einschränkungen mit einer ziemlich großen Zahl M gewichtet werden, wie:
from numpy import dot
from numpy.linalg import solve
from numpy.polynomial.polynomial import Polynomial as P, polyvander as V
def clsq(A, b, C, d, M= 1e5):
"""A simple constrained least squared solution of Ax= b, s.t. Cx= d,
based on the idea of weighting constraints with a largish number M."""
return solve(dot(A.T, A)+ M* dot(C.T, C), dot(A.T, b)+ M* dot(C.T, d))
def cpf(x, y, x_c, y_c, n, M= 1e5):
"""Constrained polynomial fit based on clsq solution."""
return P(clsq(V(x, n), y, V(x_c, n), y_c, M))
Offensichtlich ist dies nicht wirklich ein alle inklusive Königsweg Lösung, aber anscheinend scheint es vernünftig, gut mit einem einfachen Beispiel (for M in [0, 4, 24, 124, 624, 3124]
) zu arbeiten:
In []: x= linspace(-6, 6, 23)
In []: y= sin(x)+ 4e-1* rand(len(x))- 2e-1
In []: x_f, y_f= linspace(-(3./ 2)* pi, (3./ 2)* pi, 4), array([1, -1, 1, -1])
In []: n, x_s= 5, linspace(-6, 6, 123)
In []: plot(x, y, 'bo', x_f, y_f, 'bs', x_s, sin(x_s), 'b--')
Out[]: <snip>
In []: for M in 5** (arange(6))- 1:
....: plot(x_s, cpf(x, y, x_f, y_f, n, M)(x_s))
....:
Out[]: <snip>
In []: ylim([-1.5, 1.5])
Out[]: <snip>
In []: show()
und wie Erzeugen von Ausgangs:
Edit: Added 'genau' Lösung:
from numpy import dot
from numpy.linalg import solve
from numpy.polynomial.polynomial import Polynomial as P, polyvander as V
from scipy.linalg import qr
def solve_ns(A, b): return solve(dot(A.T, A), dot(A.T, b))
def clsq(A, b, C, d):
"""An 'exact' constrained least squared solution of Ax= b, s.t. Cx= d"""
p= C.shape[0]
Q, R= qr(C.T)
xr, AQ= solve(R[:p].T, d), dot(A, Q)
xaq= solve_ns(AQ[:, p:], b- dot(AQ[:, :p], xr))
return dot(Q[:, :p], xr)+ dot(Q[:, p:], xaq)
def cpf(x, y, x_c, y_c, n):
"""Constrained polynomial fit based on clsq solution."""
return P(clsq(V(x, n), y, V(x_c, n), y_c))
und Prüfung der Passform:
In []: x= linspace(-6, 6, 23)
In []: y= sin(x)+ 4e-1* rand(len(x))- 2e-1
In []: x_f, y_f= linspace(-(3./ 2)* pi, (3./ 2)* pi, 4), array([1, -1, 1, -1])
In []: n, x_s= 5, linspace(-6, 6, 123)
In []: p= cpf(x, y, x_f, y_f, n)
In []: p(x_f)
Out[]: array([ 1., -1., 1., -1.])
Nicht sicher, dass Interpolation helfen hier wird - wenn mein polynomiales Modell geht nicht durch die richtigen Punkte, es wird keine Menge an Interpolation geben. – JPH
Mit festen Punkten meinst du sowohl x als auch y fixiert, oder? Sie können http://en.wikipedia.org/wiki/Lagrange_polynomial verwenden, um diese Punkte zu interpolieren. – dranxo
Danke ... das sieht interessant aus. Für den Moment habe ich eine Arbeit gemacht, wo ich die Fixpunkte zu den Daten hinzufügen, und sie mehr Lasten belasten als der Rest .... Scheint gut zu funktionieren ish ... – JPH