显示代码中y_rec的函数表达式：import numpy as np import matplotlib.pyplot as plt def gen_data(x1, x2): y_sample = np.sin(np.pi * x1 / 2) + np.cos(np.pi * x1 / 3) y_all = np.sin(np.pi * x2 / 2) + np.cos(np.pi * x2 / 3) return y_sample, y_all def kernel_interpolation(y_sample, x1, sig): gaussian_kernel = lambda x, c, h: np.exp(-(x - x[c]) ** 2 / (2 * (h ** 2))) num = len(y_sample) w = np.zeros(num) int_matrix = np.asmatrix(np.zeros((num, num))) for i in range(num): int_matrix[i, :] = gaussian_kernel(x1, i, sig) w = int_matrix.I * np.asmatrix(y_sample).T return w def kernel_interpolation_rec(w, x1, x2, sig): gkernel = lambda x, xc, h: np.exp(-(x - xc) ** 2 / (2 * (h ** 2))) num = len(x2) y_rec = np.zeros(num) for i in range(num): for k in range(len(w)): y_rec[i] = y_rec[i] + w[k] * gkernel(x2[i], x1[k], sig) return y_rec if name == 'main': snum =4 # control point数量 ratio =50 # 总数据点数量：snum*ratio sig = 2 # 核函数宽度 xs = -14 xe = 14 #x1 = np.linspace(xs, xe,snum) x1 = np.array([9, 9.1, 13 ]) x2 = np.linspace(xs, xe, (snum - 1) * ratio + 1) y_sample, y_all = gen_data(x1, x2) plt.figure(1) w = kernel_interpolation(y_sample, x1, sig) y_rec = kernel_interpolation_rec(w, x1, x2, sig) plt.plot(x2, y_rec, 'k') plt.plot(x2, y_all, 'r:') plt.ylabel('y') plt.xlabel('x') for i in range(len(x1)): plt.plot(x1[i], y_sample[i], 'go', markerfacecolor='none') # 计算均方根误差 rmse = np.sqrt(np.mean((y_rec - y_all) ** 2)) # 输出均方根误差值 print("均方根误差为:", rmse) plt.legend(labels=['reconstruction', 'original', 'control point'], loc='lower left') plt.title('kernel interpolation:$y=sin(\pi x/2)+cos(\pi x/3)$') plt.show()

代码中 y_rec 的函数表达式为：

def kernel_interpolation_rec(w, x1, x2, sig):
    gkernel = lambda x, xc, h: np.exp(-(x - xc) ** 2 / (2 * (h ** 2)))
    num = len(x2)
    y_rec = np.zeros(num)
    for i in range(num):
        for k in range(len(w)):
            y_rec[i] = y_rec[i] + w[k] * gkernel(x2[i], x1[k], sig)
    return y_rec

其中，$w$ 是控制点的权重，$x_1$ 是控制点的横坐标，$x_2$ 是所有数据点的横坐标，$\sigma$ 是高斯核函数的宽度，$gkernel$ 是高斯核函数。在函数中，我们遍历所有数据点的横坐标 $x_2$，对于每个数据点，我们遍历所有控制点的权重 $w$，然后将每个控制点对当前数据点的贡献累加起来，得到在当前数据点处通过核插值重构出来的纵坐标 $y_{rec}[i]$。

相关问题

对下列代码进行注释：import numpy as np import pandas as pd import matplotlib.pyplot as plt

这段代码是用来导入三个Python库：NumPy、Pandas和Matplotlib.pyplot。下面是每个库的作用：

- NumPy：提供了Python的数值计算功能，尤其是多维数组对象和矩阵计算支持。
- Pandas：提供了用于数据操作和分析的工具，尤其是数据结构和数据分析函数。
- Matplotlib.pyplot：提供了用于绘图的函数和方法，使得用户可以创建各种形式的图表、图形、动画等。

在代码中，它们被分别命名为“np”、“pd”和“plt”，以后在代码中可以使用这些命名来调用每个库的相关函数和方法。

解释以下代码：import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline import seaborn as sns

这段代码的作用是导入Python数据分析和可视化的常用库，具体解释如下：

- `import pandas as pd`：导入pandas库，并将其命名为pd，以便在代码中使用更简短的名称来调用pandas的函数和方法。
- `import numpy as np`：导入numpy库，并将其命名为np，以便在代码中使用更简短的名称来调用numpy的函数和方法。
- `import matplotlib.pyplot as plt`：导入matplotlib库中的pyplot子库，并将其命名为plt，以便在代码中使用更简短的名称来调用matplotlib的可视化函数和方法。
- `%matplotlib inline`：这是一个Jupyter Notebook魔法命令，用于在Notebook中显示matplotlib图形。
- `import seaborn as sns`：导入seaborn库，它是一个基于matplotlib的数据可视化库，提供了更高级的统计图形和更美观的默认样式。同样，将其命名为sns以便在代码中使用更简短的名称来调用seaborn的函数和方法。