{
  "id": "parameterization",
  "title": "参数化",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "参数化通过参数表示几何对象、数学对象族或模型，参数的取值决定其中的点或成员。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [
    "参数表示",
    "参数化表示"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/parameterization/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/parameterization/",
      "json": "https://aiwiki.page/en/parameterization.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "参数化是用称为参数的量来表示数学对象或对象族的方法。在几何学中，参数用于指定曲线、曲面或更高维空间中的点；在统计学中，参数用于确定概率分布族中的成员。参数化通常表现为从参数空间到所表示对象的映射。不同的参数化可以描述同一个对象，但在唯一性、光滑性、计算便利性和解释方式上有所不同。"
    },
    {
      "heading": "一般表述",
      "text": "参数化可以表示为一个函数\n\n\\[F:\\Theta\\longrightarrow X,\\]\n\n其中，\\(\\Theta\\) 是参数空间，\\(X\\) 是包含所研究对象的空间。参数值 \\(\\theta\\in\\Theta\\) 确定对象 \\(F(\\theta)\\)。所表示的对象族就是映射的像：\n\n\\[F(\\Theta)=\\{F(\\theta):\\theta\\in\\Theta\\}.\\]\n\n参数空间可以是一个区间、欧几里得空间的子集、离散集合，或更一般的空间。参数不一定是实数，不过，由有限个实值参数组成的参数组尤其常见。\n\n需要区分以下几种性质：\n\n- **覆盖性：**映射的像包含所有预期表示的点或对象。\n- **唯一性：**不同的参数值表示不同的对象。\n- **正则性：**映射具有适当的连续性或可微性。\n- **最小性：**相对于所研究的结构，表示中不包含多余的参数。\n\n参数化不一定同时满足以上所有性质。例如，周期性的表示可以有意让多个参数值对应同一个点。\n\n参数与变量的区别取决于具体语境。在函数族 \\(y=f(x;\\theta)\\) 中，\\(x\\) 通常在某个具体函数内部变化，而 \\(\\theta\\) 用来选定所考察的是函数族中的哪一个函数。当研究整个函数族时，\\(\\theta\\) 本身也成为变量。"
    },
    {
      "heading": "曲线与参数方程",
      "text": "\\(\\mathbb R^n\\) 中的曲线通常用映射表示：\n\n\\[\\mathbf r:I\\longrightarrow\\mathbb R^n, \\qquad t\\longmapsto\\mathbf r(t),\\]\n\n其中 \\(I\\) 是一个区间。在三维空间中，这就成为一组参数方程：\n\n\\[x=x(t),\\qquad y=y(t),\\qquad z=z(t).\\]\n\n参数 \\(t\\) 可以表示时间，但不一定具有物理含义。\n\n例如，单位圆的一种参数化为\n\n\\[\\mathbf r(t)=(\\cos t,\\sin t).\\]\n\n取 \\(0\\leq t\\leq2\\pi\\) 可以覆盖整个圆，但会将 \\((1,0)\\) 表示两次。取 \\(0\\leq t<2\\pi\\) 则使表示成为一一对应，但在角坐标从末端回绕到起点的位置，其逆映射不连续。因此，全局一一对应的表示不一定是与拓扑相容的全局坐标系。\n\n参数式、显式与隐式描述\n\n同一个几何集合可以有多种描述形式：\n\n- 显式：\\(y=f(x)\\)。\n- 隐式：\\(G(x,y)=0\\)。\n- 参数式：\\(x=x(t)\\)、\\(y=y(t)\\)。\n\n单位圆的隐式方程是\n\n\\[x^2+y^2=1.\\]\n\n单个表达式 \\(y=f(x)\\) 无法描述整个圆，而参数表示可以做到。\n\n显式函数的图像本身也可以参数化为\n\n\\[\\mathbf r(t)=(t,f(t)).\\]\n\n因此，参数化既涵盖函数图像的表示，也能处理具有竖直切线的曲线、闭曲线和自交曲线。\n\n正则性与奇点\n\n对于可微曲线，导数 \\(\\mathbf r'(t)\\) 给出一个切向量。当\n\n\\[\\mathbf r'(t)\\ne\\mathbf0.\\]\n\n时，称该参数化在 \\(t\\) 处正则。\n\n不满足正则性可能源于表示方式，而不是几何集合本身。例如，\n\n\\[\\mathbf r(t)=(t^3,0)\\]\n\n描绘的是一条直线，但其导数在 \\(t=0\\) 处为零。因此，必须区分参数化的奇点与所表示对象的内在奇点。"
    },
    {
      "heading": "重参数化与弧长",
      "text": "重参数化改变参数，但不改变所表示的几何图像。若\n\n\\[\\mathbf r:I\\to\\mathbb R^n\\]\n\n且 \\(\\phi:J\\to I\\) 是适当的双射，则\n\n\\[\\widetilde{\\mathbf r}(u)=\\mathbf r(\\phi(u))\\]\n\n表示同一条曲线。\n\n对于正则可微的重参数化，\\(\\phi\\) 及其逆映射均可微，且 \\(\\phi'\\) 不为零。由链式法则可得\n\n\\[\\widetilde{\\mathbf r}'(u) =\\mathbf r'(\\phi(u))\\phi'(u).\\]\n\n递增的 \\(\\phi\\) 保持定向不变，递减的 \\(\\phi\\) 则反转定向。速率变为原来的 \\(|\\phi'(u)|\\) 倍。\n\n对于连续可微的正则曲线，从参考参数 \\(t_0\\) 起算的弧长为\n\n\\[s(t)=\\int_{t_0}^{t}\\|\\mathbf r'(\\tau)\\|\\,d\\tau.\\]\n\n在这一关系可逆的范围内，用 \\(s\\) 表示曲线就得到单位速率参数化：\n\n\\[\\left\\|\\frac{d\\mathbf r}{ds}\\right\\|=1.\\]\n\n这样便将曲线的几何形状与原参数沿曲线行进的速率分离开来。不过，对于物理运动轨迹，用弧长代替时间虽然保留了空间路径，却不保留运动的时间信息。\n\n关于弧长的曲线积分\n\n\\[\\int_C f\\,ds = \\int_I f(\\mathbf r(t))\\|\\mathbf r'(t)\\|\\,dt,\\]\n\n在保持同一次遍历的正则一一重参数化下不变。重复遍历可能改变积分值，而反转定向会改变形如 \\(\\int_C\\mathbf F\\cdot d\\mathbf r\\) 的曲线积分的符号。"
    },
    {
      "heading": "曲面与更高维空间",
      "text": "\\(\\mathbb R^3\\) 中的曲面片可表示为\n\n\\[\\mathbf X:U\\subseteq\\mathbb R^2\\longrightarrow\\mathbb R^3, \\qquad (u,v)\\longmapsto\\mathbf X(u,v).\\]\n\n对于定义域 \\(U\\) 为开集的光滑曲面片，标准的正则性条件是两个偏导数 \\(\\mathbf X_u\\) 和 \\(\\mathbf X_v\\) 线性无关。等价地，\n\n\\[\\mathbf X_u\\times\\mathbf X_v\\ne\\mathbf0.\\]\n\n它们张成曲面的切空间，其叉积确定一个有向法线方向以及面积缩放因子：\n\n\\[dA=\\|\\mathbf X_u\\times\\mathbf X_v\\|\\,du\\,dv.\\]\n\n这个因子在曲面积分中起着核心作用。\n\n更一般地，从 \\(\\mathbb R^k\\) 的开子集到 \\(\\mathbb R^n\\) 的光滑参数化，在其雅可比矩阵的秩为 \\(k\\) 时具有局部满秩性质。满秩保证局部参数方向相互独立，但仅凭这一点，不能排除相距较远的参数值映射到同一点的情形。\n\n局部坐标与全局限制\n\n在微分几何中，流形用彼此相容的局部坐标图来描述。坐标图将流形上的一个邻域映射到欧几里得空间的一个开子集，其逆映射就是局部参数化。\n\n单个全局坐标片往往无法覆盖整个流形。例如，球坐标给出\n\n\\[\\mathbf X(\\theta,\\phi) = (\\sin\\theta\\cos\\phi,\\sin\\theta\\sin\\phi,\\cos\\theta),\\]\n\n但在两极，经度 \\(\\phi\\) 不唯一，微分的秩也在那里下降。这反映的是坐标的局限，而不是球面的奇性。\n\n球面无法用一个映到 \\(\\mathbb R^2\\) 开子集上的坐标图来表示。使用多个相互重叠的坐标图可以避开这一障碍。因此，全局参数化问题不仅取决于代数公式，也取决于拓扑学。"
    },
    {
      "heading": "有理参数化",
      "text": "有理参数化将坐标表示为参数的多项式之比。例如，\n\n\\[x(t)=\\frac{1-t^2}{1+t^2}, \\qquad y(t)=\\frac{2t}{1+t^2}\\]\n\n给出的点位于单位圆上，因为\n\n\\[x(t)^2+y(t)^2=1.\\]\n\n当 \\(t\\) 取实数值时，这种表示覆盖圆上除 \\((-1,0)\\) 以外的所有点；当 \\(|t|\\to\\infty\\) 时，所表示的点趋近于该点。这些公式可以通过求圆与经过该遗漏点、斜率为 \\(t\\) 的直线的交点来推导。\n\n有理参数化在代数几何和精确符号计算中十分重要，但并非每条代数曲线都存在有理参数化。在特征为零的情形下，亏格大于零的非奇异射影曲线不能进行有理参数化。因此，椭圆曲线虽然具有代数方程，却不存在圆所具有的那种有理参数化。"
    },
    {
      "heading": "统计学中的参数化",
      "text": "参数统计模型是一个概率分布族：\n\n\\[\\mathcal P=\\{P_\\theta:\\theta\\in\\Theta\\}.\\]\n\n参数 \\(\\theta\\) 用来选定该族中的一个分布。\n\n例如，正态分布可以用均值和方差进行参数化：\n\n\\[\\theta=(\\mu,v),\\qquad \\mu\\in\\mathbb R,\\quad v>0,\\]\n\n其密度为\n\n\\[p(x\\mid\\mu,v) = \\frac{1}{\\sqrt{2\\pi v}} \\exp\\!\\left[-\\frac{(x-\\mu)^2}{2v}\\right].\\]\n\n同一个分布族也可以改用均值和标准差，或均值和精度 \\(1/v\\) 进行参数化。\n\n可识别性与冗余\n\n若满足\n\n\\[P_\\theta=P_{\\theta'} \\quad\\Longrightarrow\\quad \\theta=\\theta'.\\]\n\n则称参数化是可识别的。这是统计识别的一个基本方面。如果不同参数值确定相同的分布，那么仅凭该模型，数据无法区分这些参数值。\n\n例如，置换有限高斯混合模型的分量标签不会改变混合分布。因此，除非考虑这些等价关系或施加额外限制，否则其带标签的参数化通常是不可识别的。\n\n冗余有时能带来便利，但也可能使解释、估计和不确定性计算变得复杂。\n\n重参数化与推断\n\n可逆变换 \\(\\eta=g(\\theta)\\) 改变模型的索引方式，而不改变模型中的分布。在最大似然估计中，使似然达到最大值的参数值相应地变换为\n\n\\[\\widehat\\eta=g(\\widehat\\theta).\\]\n\n在贝叶斯推断中，参数上的概率分布也必须随之变换。如果 \\(\\theta\\) 和 \\(\\eta\\) 通过光滑可逆变换联系起来，则它们的密度满足\n\n\\[p_\\eta(\\eta) = p_\\theta(g^{-1}(\\eta)) \\left|\\det Dg^{-1}(\\eta)\\right|.\\]\n\n因此，在一种参数化下均匀的先验，在另一种参数化下通常并不均匀。省略雅可比因子会改变概率模型，而不只是改变记号。"
    },
    {
      "heading": "优化与数值计算",
      "text": "在数学优化中，参数化可以通过构造本身保证满足约束。正数可以写成\n\n\\[a=e^\\alpha,\\qquad \\alpha\\in\\mathbb R.\\]\n\n类似地，严格为正且总和为一的权重可以用Softmax函数表示：\n\n\\[w_i=\\frac{e^{z_i}}{\\sum_{j=1}^{m}e^{z_j}}.\\]\n\n给所有 \\(z_i\\) 加上同一个常数不会改变权重，因此这种参数化是冗余的。此外，参数取有限值时，它也无法表示恰好为零的权重。\n\n这类变换将有约束搜索替换为无约束搜索，但也改变了数值计算中的几何结构。若\n\n\\[x=F(\\theta),\\]\n\n则\n\n\\[\\nabla_\\theta(f\\circ F) = DF(\\theta)^{\\mathsf T}\\nabla_x f(F(\\theta)).\\]\n\n因此，即使所表示的目标函数值相同，普通的欧几里得梯度下降在不同参数化下通常也会沿不同路径行进。\n\n参数的尺度、近乎线性相关的方向以及坐标奇点，都可能影响收敛性和数值稳定性。光滑双射的坐标变换会保留相应的局部极小点，但不一定保留凸性或算法行为。\n\n惩罚项也依赖于参数化。在非线性变量变换前后使用形式相同的表达式，例如欧几里得范数的平方，通常会定义出不同的正则化。"
    },
    {
      "heading": "用途与概念区分",
      "text": "参数化为几何构造、积分、模拟、统计建模和数值求解方法提供支持。在计算机辅助设计中，控制点和基函数用于参数化曲线与曲面。在有限元法中，从参考单元到物理单元的映射用于组织插值、微分和积分计算。\n\n这一术语在建模中还有一个相关含义：未被显式解析的过程可以用包含已解析量和可调系数的公式来表示。在这种情形下，参数化是一种近似方案，不一定是精确的坐标描述。\n\n在这些用途中，有三点区别至关重要：所表示的对象并不等同于其参数值；多个参数值可能表示同一个对象；改变参数化可能保留底层对象不变，却改变坐标、遍历方式、概率密度、惩罚项或计算行为。"
    }
  ],
  "links": [
    "geometry",
    "statistics",
    "mathematical-function",
    "euclidean-space",
    "circle",
    "derivative",
    "chain-rule",
    "line-integral",
    "tangent-space",
    "jacobian-matrix",
    "differential-geometry",
    "manifold",
    "topology",
    "algebraic-geometry",
    "elliptic-curve",
    "probability-distribution",
    "normal-distribution",
    "statistical-identification",
    "gaussian-mixture-model",
    "maximum-likelihood-estimation",
    "bayesian-inference",
    "mathematical-optimization",
    "softmax-function",
    "gradient-descent",
    "numerical-stability",
    "regularization",
    "finite-element-method"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}