SMILE 径向基函数（RBF）完全指南：从基础理论到插值与 RBF 网络实战

• 人工智能
• 机器学习
• 深度学习
• NLP
• 大模型
• 模型推理服务
• 数据可视化

【免费下载链接】smile

Statistical Machine Intelligence & Learning Engine

项目地址：https://gitcode.com/gh_mirrors/smi/smile

点击查看免费下载

SMILE（Statistical Machine Intelligence & Learning Engine）在smile.math.rbf包中提供了一套完整的径向基函数（Radial Basis Function, RBF）内核实现，广泛用于 RBF 网络、散乱数据插值以及无网格数值方法。本文以该包为骨架，系统讲解 RBF 的数学定义、RadialBasisFunction接口、六种内置基函数的公式与性质、尺度参数r₀的选取策略，并结合仓库源码给出可运行的 Java 示例，帮助读者在插值与神经网络场景中正确选型和调参。

---

什么是径向基函数（RBF）

径向基函数是一类取值只依赖于到某个固定中心点c距离的实值函数：

φ(x, c) = φ( ‖x − c‖ )

通常采用欧氏距离作为范数。径向基函数之和可以逼近任意函数：

y(x) = Σᵢ wᵢ φ( ‖x − cᵢ‖ )

其中中心点cᵢ通常从训练数据中选取，权重wᵢ通过线性最小二乘求解。由于近似式对权重是线性的，拟合过程既快又有完善的数值方法支撑。

在 SMILE 的源码注释中（见 RadialBasisFunction.java），还特别指出：该近似过程可以解释为一种简单的神经网络，且已被用于时间序列预测、非线性系统的混沌控制以及计算机图形学中的 3D 重建（如分层 RBF）等场景。同时，若采用概率度量（probability metric），对某些径向函数可以避免求解权重时出现的病态矩阵问题。

RadialBasisFunction 接口

smile.math.rbf包中所有类都实现RadialBasisFunction接口。该接口本身是空接口，继承了smile.util.function.Function，因此具备Serializable序列化能力以及两个核心方法：

public interface RadialBasisFunction extends Function { // Inherits: double f(double r) // Inherits: default double apply(double r) }

每个 RBF 都可以作为关于距离r的一元函数直接调用：

RadialBasisFunction rbf = new GaussianRadialBasis(1.0); double v = rbf.f(2.5); // evaluate at distance r = 2.5 double v2 = rbf.apply(2.5); // same result — Scala / lambda friendly

测试用例 RadialBasisFunctionTest.java 明确验证了f()与apply()返回值一致，且所有 RBF 类都通过Function间接实现了java.io.Serializable，这意味着它们可以被安全地序列化保存和传输。

六种内置径向基函数

smile.math.rbf包共提供 7 个类（见 rbf 目录）：接口RadialBasisFunction加上 6 个具体实现。下面逐一介绍。

Gaussian（高斯）

φ(r) = exp( −r² / (2 r₀²) )

属性	值
φ(0)	1
值域	(0, 1]
单调性	递减
尾部	快速衰减到 0

高斯核是最流行的 RBF。对于光滑函数，只要r₀选择得当，可以获得非常高的插值精度，但它对尺度参数很敏感。源码实现见 GaussianRadialBasis.java：f(r)先将r除以r₀再计算exp(-0.5·(r/r₀)²)。其 Javadoc 也提醒：高斯基函数的插值精度对r₀极其敏感，因此常因此被回避；但对于光滑函数且r₀最优时，可实现非常高的精度，并且高斯核会在远离数据处快速把函数外推为 0。

GaussianRadialBasis rbf = new GaussianRadialBasis(1.0); // r₀ = 1.0 double v = rbf.f(0.0); // 1.0 double v2 = rbf.f(2.0); // exp(-2) ≈ 0.135 // 查询尺度 double r0 = rbf.scale(); // 1.0

尺度效应：r₀越小 → 核越尖锐、影响越局部；r₀越大 → 核越平滑、影响越全局。

GaussianRadialBasis sharp = new GaussianRadialBasis(0.5); GaussianRadialBasis smooth = new GaussianRadialBasis(2.0); // sharp.f(1.0) < smooth.f(1.0)

这一性质同样被测试覆盖：testGaussianScaleEffect断言r₀=0.5时在固定r>0处的取值小于r₀=2.0（见 RadialBasisFunctionTest.java）。

Multiquadric（多二次）

φ(r) = sqrt( r² + r₀² )

属性	值
φ(0)	r₀
值域	[r₀, ∞)
单调性	递增
尾部	无界增长

多二次函数通常对r₀的选择不如其他 RBF 敏感。与衰减型 RBF 不同，它随距离增长——插值时需要多项式修正项以保证系统适定性（well-conditioned）。实现见 MultiquadricRadialBasis.java，其中构造函数缓存了r₀²以提升性能。

MultiquadricRadialBasis rbf = new MultiquadricRadialBasis(1.0); double v = rbf.f(3.0); // sqrt(9 + 1) = sqrt(10) ≈ 3.162 double r0 = rbf.scale(); // 1.0

Inverse Multiquadric（逆多二次）

φ(r) = 1 / sqrt( r² + r₀² )

属性	值
φ(0)	1/r₀
值域	(0, 1/r₀]
单调性	递减
尾部	衰减到 0

逆多二次在适定性方面与多二次表现类似，但有上界且衰减到零，性质更接近高斯。其 Javadoc 指出：尽管听起来奇怪，逆多二次的结果与多二次相当、有时更好，因为真正重要的是光滑性以及函数傅里叶变换的某些性质；而且逆多二次会把函数外推到远距离处为零。实现见 InverseMultiquadricRadialBasis.java。

InverseMultiquadricRadialBasis rbf = new InverseMultiquadricRadialBasis(1.0); double v = rbf.f(0.0); // 1/sqrt(0+1) = 1.0 double v2 = rbf.f(3.0); // 1/sqrt(10) ≈ 0.316 // 与多二次的精确倒数关系： // imq.f(r) == 1.0 / mq.f(r) (相同 r₀)

这个倒数关系不是口头说法——测试testMultiquadricInverseRelationship对r ∈ [0, 5]逐点断言1/mq.f(r) == imq.f(r)（见 RadialBasisFunctionTest.java）。

Inverse Quadratic（逆二次）

φ(r) = 1 / ( 1 + (r/r₀)² )

属性	值
φ(0)	1
值域	(0, 1]
单调性	递减
尾部	代数衰减（比高斯重）

逆二次是完全单调函数（completely monotone），保证了正定性，因而是合法的正定核（positive-definite kernel）。相比高斯，它的尾部更重，在需要捕捉长程相关时很有优势。值得注意的是φ(r₀) = 1/(1+1) = 0.5，即距离恰好等于尺度时取值精确为 0.5，测试testInverseQuadraticKnownValue对此做了断言。实现见 InverseQuadraticRadialBasis.java。

InverseQuadraticRadialBasis rbf = new InverseQuadraticRadialBasis(2.0); double v = rbf.f(0.0); // 1.0 double v2 = rbf.f(2.0); // 0.5 (at r = r₀) double v3 = rbf.f(6.0); // 1/(1+9) = 0.1

Thin Plate Spline（薄板样条）

φ(r) = r² log(r / r₀), φ(0) = 0

属性	值
φ(0)	0（极限值）
r < r₀时符号	负
r > r₀时符号	正
φ(r₀)	0
尾部	以r² log r增长

薄板样条源于弹性薄板弯曲的能量最小化问题——它在加权 Sobolev 意义下产生最光滑的插值函数。当r₀ = 1时，它与二阶PolyharmonicSpline完全等价。实现见 ThinPlateRadialBasis.java：源码通过r <= 0.0 ? 0.0 : ...显式处理了φ(0)的极限值，避免出现 NaN。

ThinPlateRadialBasis rbf = new ThinPlateRadialBasis(1.0); double v1 = rbf.f(0.0); // 0.0 (not NaN) double v2 = rbf.f(0.5); // negative (r < r₀) double v3 = rbf.f(1.0); // 0.0 (at r = r₀) double v4 = rbf.f(Math.E); // e² ≈ 7.389 (φ(e) = e²·log(e/1) = e²·1)

Polyharmonic Spline（多调和样条）

这是薄板样条以整数阶k参数化的推广，实现见 PolyharmonicSpline.java：

k 为奇数：φ(r) = rᵏ k 为偶数：φ(r) = rᵏ log(r), φ(0) = 0

阶数	公式	常用名
1	r	线性样条
2	r² log r	薄板样条（r₀ = 1）
3	r³	三次样条
4	r⁴ log r	双调和样条
5	r⁵	—

高阶样条产生更光滑的插值，但需要在基中加入更多多项式项以保持适定性。源码注释引用 Hardy（1971）的多二次地形插值工作与 Duchon（1977）的 Sobolev 空间极小化理论作为背景。

PolyharmonicSpline linear = new PolyharmonicSpline(1); // φ(r) = r PolyharmonicSpline tps = new PolyharmonicSpline(2); // φ(r) = r² log r (默认) PolyharmonicSpline cubic = new PolyharmonicSpline(3); // φ(r) = r³ PolyharmonicSpline biharm = new PolyharmonicSpline(4); // φ(r) = r⁴ log r int k = tps.order(); // 2 // k=2 与 ThinPlateRadialBasis(1.0) 精确等价： double r = 2.5; double v1 = new PolyharmonicSpline(2).f(r); double v2 = new ThinPlateRadialBasis(1.0).f(r); // v1 == v2 // k=3 是标准三次 RBF： double v3 = new PolyharmonicSpline(3).f(3.0); // 27.0

k=2与ThinPlateRadialBasis(1.0)的等价性同样被测试逐点验证（testPolyharmonicOrder2EqualsThinPlate，见 RadialBasisFunctionTest.java）。注意：PolyharmonicSpline的默认无参构造使用k=2，且构造函数要求k为正整数，否则抛出IllegalArgumentException。

汇总对比表

类	公式	φ(0)	尾部	有界
GaussianRadialBasis	exp(−r²/2r₀²)	1	快速衰减	✓ (0,1]
InverseMultiquadricRadialBasis	1/√(r²+r₀²)	1	慢速衰减	✓ (0,1]
InverseQuadraticRadialBasis	1/(1+(r/r₀)²)	1	代数衰减	✓ (0,1]
MultiquadricRadialBasis	√(r²+r₀²)	r₀	增长	✗
ThinPlateRadialBasis	r² log(r/r₀)	0	增长	✗
PolyharmonicSpline	rᵏ或rᵏ log r	0	增长	✗

尺度参数r₀的 API 约定

所有基于尺度的 RBF 都暴露scale()方法：

GaussianRadialBasis rbf1 = new GaussianRadialBasis(2.0); MultiquadricRadialBasis rbf2 = new MultiquadricRadialBasis(2.0); InverseMultiquadricRadialBasis rbf3 = new InverseMultiquadricRadialBasis(2.0); InverseQuadraticRadialBasis rbf4 = new InverseQuadraticRadialBasis(2.0); ThinPlateRadialBasis rbf5 = new ThinPlateRadialBasis(2.0); rbf1.scale(); // 2.0

所有构造函数都校验r₀ > 0，否则抛出IllegalArgumentException（例如 GaussianRadialBasis.java 中的if (scale <= 0) throw new IllegalArgumentException("scale is not positive: " + scale)）。测试testGaussianInvalidScale、testMultiquadricInvalidScale等对0.0与负值均断言抛出该异常。所有类也提供默认无参构造，r₀ = 1：

// 以下均使用 r₀ = 1.0 GaussianRadialBasis g = new GaussianRadialBasis(); MultiquadricRadialBasis m = new MultiquadricRadialBasis(); InverseMultiquadricRadialBasis i = new InverseMultiquadricRadialBasis(); InverseQuadraticRadialBasis q = new InverseQuadraticRadialBasis(); ThinPlateRadialBasis t = new ThinPlateRadialBasis(); PolyharmonicSpline p = new PolyharmonicSpline(); // k=2

此外，每个类的toString()都会格式化输出其参数（如GaussianRadialBasis(r0 = 1.0000)、PolyharmonicSpline(k = 2)），便于日志调试。

如何选择尺度r₀

尺度参数对插值质量影响极大。通用经验法则是：

r₀应大于数据点之间的典型间距，但小于被逼近函数的特征尺寸（外部尺度）。

这一准则在 GaussianRadialBasis.java 与 MultiquadricRadialBasis.java 的 Javadoc 中都有明确阐述：r₀的好坏选择可能造成插值精度相差数个数量级，因此值得认真实验调参。

最实用的调参手段是留一交叉验证（leave-one-out cross-validation）：

// LOO 尺度搜索伪代码 double bestR0 = 1.0; double bestError = Double.MAX_VALUE; for (double r0 : candidates) { GaussianRadialBasis rbf = new GaussianRadialBasis(r0); // 每次省略一个数据点构建插值器，度量被省略点处的误差 double error = leaveOneOutError(data, rbf); if (error < bestError) { bestError = error; bestR0 = r0; } }

在 RBF 网络中使用（RBF Networks）

SMILE 的 RBF 网络使用RadialBasisFunction实例定义每个隐层神经元的激活函数。网络模型位于 RBFNetwork.java，每个神经元由 RBF.java 封装，其激活计算为rbf.f(distance.d(x, center))——即先求样本到中心的度量距离，再送入径向基函数。

import smile.classification.RBFNetwork; import smile.model.rbf.RBF; // 拟合含 30 个神经元的 Gaussian RBF 网络 RBFNetwork<double[]> model = RBFNetwork.fit(x, y, RBF.fit(x, 30)); // 自定义 RBF 类型 GaussianRadialBasis customRbf = new GaussianRadialBasis(0.5); RBF<double[]>[] neurons = RBF.of(centers, customRbf, new EuclideanDistance()); RBFNetwork<double[]> model2 = RBFNetwork.fit(x, y, neurons);

RBF.fit(x, 30)在底层使用 K-Means 选取中心并自动估计高斯宽度：默认宽度取d_max / sqrt(2k)（d_max为中心间最大距离，k为中心数），该估计在数据均匀分布时接近最优（见 RBF.java）。RBF.of则支持传入自定义基函数与度量距离，且校验基函数数量必须与中心数量一致（RBF.java）。RBFNetwork还提供了带normalize参数的fit重载以及基于Properties参数的版本（见 RBFNetwork.java）。

在散乱数据插值中使用（RBF Interpolation）

RBF 同样是散乱数据插值的主力方法。SMILE 的smile.interpolation包提供了泛型插值器 RBFInterpolation.java，它直接接受任意RadialBasisFunction：

import smile.interpolation.RBFInterpolation; import smile.math.rbf.GaussianRadialBasis; double[][] x = { /* 散乱数据点 */ }; double[] y = { /* 对应函数值 */ }; // 普通 RBF 插值 RBFInterpolation interp = new RBFInterpolation(x, y, new GaussianRadialBasis(1.0)); // 归一化 RBF（NRBF）插值 RBFInterpolation ninterp = new RBFInterpolation(x, y, new GaussianRadialBasis(1.0), true); double v = interp.interpolate(0.5, 0.5); // 在任意点求值

从源码看（RBFInterpolation.java），构造时会构建 n×n 的 Gram 矩阵并用rbf.f(MathEx.distance(x[i], x[j]))填充，随后求解线性方程组求权重：当基函数是GaussianRadialBasis时走 Cholesky 分解，否则走 LU 分解。归一化模式（NRBF）要求基函数之和为 1（即sumw / sum，见 RBFInterpolation.java）；该变体源自贝叶斯统计视角，但源码注释也说明并无证据表明 NRBF 一贯优于普通 RBF。

包内还提供了面向 1D / 2D 的便捷子类 RBFInterpolation1D.java 与 RBFInterpolation2D.java。此外，在 RBFInterpolation.java 的类注释中总结了重要结论：薄板样条的适定性对尺度缩放不变；高斯、多二次与逆多二次都是无穷光滑的且包含形状参数r₀ > 0；减小r₀会使基函数更扁平，增大r₀则能改善矩阵适定性（放大的点间分离距离增大）。

如何选择正确的 RBF

场景	推荐
一般插值	GaussianRadialBasis（调优r₀）
对r₀不太敏感	MultiquadricRadialBasis
光滑且有界的插值	InverseMultiquadricRadialBasis
重尾相关	InverseQuadraticRadialBasis
物理动机的光滑性	ThinPlateRadialBasis或PolyharmonicSpline(2)
C¹ 光滑、紧支撑	PolyharmonicSpline(3)（三次）
更高阶光滑性	更大的k的PolyharmonicSpline(k)

快速验证与测试

仓库自带完整的单元测试 RadialBasisFunctionTest.java，覆盖每个 RBF 的φ(0)值、已知点取值、单调性、有界性、scale()/order()访问器、默认构造、非法参数异常、toString()格式、跨函数性质（如 IMQ 与 MQ 的倒数关系、k=2 与薄板样条的等价性、衰减型 RBF 有界于 1）以及Serializable能力。运行测试即可快速验证本文中所有数值示例的正确性。

赞分享

• 人工智能
• 机器学习
• 深度学习
• NLP
• 大模型
• 模型推理服务
• 数据可视化

【免费下载链接】smile

Statistical Machine Intelligence & Learning Engine

项目地址：https://gitcode.com/gh_mirrors/smi/smile

点击查看免费下载

上一篇：OWASP MASTG 安全测试培训视频版权：视频使用许可

下一篇：Formily vs 传统表单库：终极性能对决与优势分析指南