matlib’s lsqnonlin 和 scipy.optimize’s least_square

问题

有三个点 $A,B,C$ , 经过一个线性变换 $T$ , 变为了 $A’,B’,C’$ 三点,现在知道 $A,B,C$ , $A’,B’,C’$ 六个点坐标, 求出相应的变换 $T$ ?

matlab

matlab 使用的都是矩阵运算,所以一切在都要化成矩阵形式。直接将问题写成矩阵形式有一些不直观。所以首先将问题写成一些线性方程组的形式,根据线性方程组的形式再写出矩阵的形式。
假设

  • 线性方程组的形式 为:

其中前两个一组两个一组,第一个和第二个方程组组成的矩阵形式为:

将六个方程组合并成为:

矩阵的表示形式之后,使用 MATLAB 的程序 lsqnonlin 优化程序得到 $T$ .

lsqnonlin 的输入是要优化的函数句柄和初始参数向量 $X$ ,输出是一个结果向量。注意这里输入和输出都是向量。当要优化的变量是矩阵形式的时候,例如本例子中的 $T$ , 需要人为的将其变为向量作为参数向量传入要被 lsqnonlin 优化的函数,同样,当结果也是矩阵形式时候,也要做类似转换。

针对上面的公式 和 分析 ,得出的 MATLAB 代码如下:

function F = foo(T)
T = reshape(T,3,2);
R = [-2^0.5/2,0,2^0.5 ;
-2^0.5/2+1,0+1,0+1;
1,1,1];
A = [1+3,0+3,-1+3;
0+1,0+1,1+1];
F = reshape(T'*R-A,1,[]); %向量化 % 命令行调用函数
lsqnonlin(@foo,ones(3,2)) ans = -0.7071 0.7071
-0.7071 -0.7071
3.7071 1.7071

由上面返回的 ans 结果可以得到 $T$ 。

python’s scipy.optimize

scipy 中的数值计算不同于 MATLAB ,是基于元素的 , 所以我们没必要将线性方程组化为矩阵形式 。
坐标的线性变换为 ,

其中 $x,y$ 可以分别是列向量,
所以假设

则可以写成

为了方便写代码,这里将$T$ 的各个元素的顺序改变了一下。其中 x[:,[1,0]] 是将两列换一下。

所以对应的代码为:

In [9]: def foo1(T):
...:
...: R = np.array([ [-2**0.5/2,0,2**0.5 ],
...: [-2**0.5/2+1,0+1,0+1大专栏  Matlib’s lsqnonlin 和 scipy.optimize’s least_squaren>]]).T
...: A = np.array([ [1+3,0+3,-1+3],
...: [0+1,0+1,1+1]]).T
...:
...: return np.ndarray.flatten(T[:2]*R+T[2:4]*A[:,[1,0]]+T[4:])
...: from scipy.optimize import least_squares as l_s
...: T0 = np.ones(shape=(6,))
...: print(l_s(foo1,T0))
...:
active_mask: array([ 0., 0., 0., 0., 0., 0.])
cost: 6.1972286281607316e-46
fun: array([ -2.62791580e-23, -1.37051771e-24, 4.13590306e-24,
0.00000000e+00, 2.27798139e-23, -3.30872245e-24])
grad: array([ 5.07976927e-23, -3.71013779e-24, 2.34163730e-23,
-1.20995158e-23, 6.36559009e-25, -4.67924016e-24])
jac: array([[-0.70710678, 0. , 1. , 0. , 1. ,
-0. ],
[ 0. , 0.29289322, -0. , 4. , 0. ,
1. ],
[ 0. , 0. , 1. , 0. , 1. ,
-0. ],
[ 0. , 1. , -0. , 3. , 0. ,
1. ],
[ 1.41421356, 0. , 2. , 0. , 1. ,
-0. ],
[ 0. , 1. , -0. , 2. , 0. ,
1. ]])
message: '`gtol` termination condition is satisfied.'
nfev: 3
njev: 3
optimality: 5.0797692652871677e-23
status: 1
success: True
x: array([ 4.30133919e-23, 6.61744490e-24, -4.21862112e-23,
3.30872245e-24, 4.63221143e-23, -1.65436123e-23])

lsqnonlin 和 least_square 的函数封装方法

对于这两个函数的传入的要优化的函数 , 该函数的输出是一个向量 ,假设该向量为:

则通过lsqnonlin 和least_square 之后的包裹为:

其中 $c$ 是一个常量。

Matlib’s lsqnonlin 和 scipy.optimize’s least_square的更多相关文章

  1. 使用python scipy.optimize linprog和lingo线性规划求解最大值,最小值(运筹学学习笔记)

    1.线性规划模型: 2.使用python scipy.optimize linprog求解模型最优解: 在这里我们用到scipy中的linprog进行求解,linprog的用法见https://doc ...

  2. Scipy教程 - 优化和拟合库scipy.optimize

    http://blog.csdn.net/pipisorry/article/details/51106570 最优化函数库Optimization 优化是找到最小值或等式的数值解的问题.scipy. ...

  3. Scipy优化算法--scipy.optimize.fmin_tnc()/minimize()

    scipy中的optimize子包中提供了常用的最优化算法函数实现,我们可以直接调用这些函数完成我们的优化问题. scipy.optimize包提供了几种常用的优化算法. 该模块包含以下几个方面 使用 ...

  4. scipy.optimize.minimize 解决实际问题

    接上博客问题http://www.cnblogs.com/shizhenqiang/p/8274806.html # coding=utf-8 from scipy import optimize i ...

  5. 非线性规划带约束-scipy.optimize.minimize

    # coding=utf-8 from scipy import optimize import numpy as np def get(args): a, b, c, d, e, f, g, h = ...

  6. python scipy优化器模块(optimize)

    pyhton数据处理与分析之scipy优化器及不同函数求根 1.Scipy的优化器模块optimize可以用来求取不同函数在多个约束条件下的最优化问题,也可以用来求取函数在某一点附近的根和对应的函数值 ...

  7. python scipy学习-曲线拟合

    根据某地每月的平均温度[17, 19, 21, 28, 33, 38, 37, 37, 31, 23, 19, 18]拟合温度函数. import numpy as np import matplot ...

  8. 使用Python scipy linprog 线性规划求最大值或最小值(使用Python学习数学建模笔记)

    函数格式 scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simp ...

  9. 数据分析(4):Scipy

    科学计算 最小二乘leastsq # -*- coding: utf-8 -*- def func(x,p): # p 参数列表 A,k,theta = p; # 可以一一对应赋值 return A* ...

随机推荐

  1. 第04项目:淘淘商城(SpringMVC+Spring+Mybatis)【第十二天】(系统架构讲解、nginx)

    https://pan.baidu.com/s/1bptYGAb#list/path=%2F&parentPath=%2Fsharelink389619878-229862621083040 ...

  2. 新服务器搭建-总结: 下载nginx,jdk8,docker-compose编排(安装mysql,redis) 附安装

    三明SEO: 前言 如题, 公司新买了一条4核16G的服务器, 不得不重新搭建环境, 只能一一重来, 做个记录 1.nginx : 手动安装 2.jdk8: 手动安装 3. 安装docker 及doc ...

  3. IOS之Core Foundation框架和Cocoa Foundation框架的区别(转)

    Core Foundation框架 (CoreFoundation.framework) 是一组C语言接口,它们为iOS应用程序提供基本数据管理和服务功能.下面列举该框架支持进行管理的数据以及可提供的 ...

  4. log4j日志配置和使用

    一.日志配置变量参数说明 1. 日志设置说明:# log4j.rootLogger = debug,stdout,D,E# 等号之后的值表示appender对象,每个apperder对象表示一个日志输 ...

  5. 设置PPT版式

    1.点击视图,幻灯片母版 2.选中某个PPT母版,可进行编辑

  6. [LC] 93. Restore IP Addresses

    Given a string containing only digits, restore it by returning all possible valid IP address combina ...

  7. mysql之左连接、右连接、内连接、全连接、等值连接、交叉连接等

    mysql中的各种jion的记录,以备用时查 1.等值连接和内连接, a.内连接与等值连接效果是相同的,执行效率也相同,只是书写方式不一样,内连接是由SQL 1999规则定的书写方式 比如: sele ...

  8. 什么是CDN

    1.什么是cdn    cdn全称是内容分发网络.其目的是让用户能够更快速的得到请求的数据.简单来讲,cdn就是用来加速的,他能让用户就近访问数据,这样就更更快的获取到需要的数据.举个例子,现在服务器 ...

  9. 基于STC89C516的多游戏实现

    所用器件:STC89C516,矩阵键盘,LCD1602,16*16点阵,74HC595,无源蜂鸣器,晶振为11.0592MHZ 使用说明: 开机(复位)进入启动界面,1602显示Welcome.500 ...

  10. [LC] 198. House Robber

    You are a professional robber planning to rob houses along a street. Each house has a certain amount ...