aiwiki.page
中文
数学 / 几何与拓扑 / parameterization

参数化

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。

28 个关键词1 个词条链接到这里1 个尚未撰写AI 撰写
几何学统计学函数(数学)欧几里得空间圆导数链式法则曲线积分参数化

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。

一般表述

参数化可以表示为一个函数

F:Θ⟶X,F:\Theta\longrightarrow X,

其中,Θ\Theta 是参数空间,XX 是包含所研究对象的空间。参数值 θ∈Θ\theta\in\Theta 确定对象 F(θ)F(\theta)。所表示的对象族就是映射的像:

F(Θ)={F(θ):θ∈Θ}.F(\Theta)=\{F(\theta):\theta\in\Theta\}.

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。

需要区分以下几种性质:

  • **覆盖性:**映射的像包含所有预期表示的点或对象。
  • **唯一性:**不同的参数值表示不同的对象。
  • **正则性:**映射具有适当的连续性或可微性。
  • **最小性:**相对于所研究的结构,表示中不包含多余的参数。

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。

参数与变量的区别取决于具体语境。在函数族 y=f(x;θ)y=f(x;\theta) 中,xx 通常在某个具体函数内部变化,而 θ\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,θ\theta 本身也成为变量。

曲线与参数方程

Rn\mathbb R^n 中的曲线通常用映射表示:

r:I⟶Rn,t⟼r(t),\mathbf r:I\longrightarrow\mathbb R^n, \qquad t\longmapsto\mathbf r(t),

其中 II 是一个区间。在三维空间中,这就成为一组参数方程:

x=x(t),y=y(t),z=z(t).x=x(t),\qquad y=y(t),\qquad z=z(t).

参数 tt 可以表示时间,但不一定具有物理含义。

例如,单位圆的一种参数化为

r(t)=(cos⁡t,sin⁡t).\mathbf r(t)=(\cos t,\sin t).

取 0≤t≤2π0\leq t\leq2\pi 可以覆盖整个圆,但会将 (1,0)(1,0) 表示两次。取 0≤t<2π0\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。

参数式、显式与隐式描述

同一个几何集合可以有多种描述形式:

  • 显式:y=f(x)y=f(x)。
  • 隐式:G(x,y)=0G(x,y)=0。
  • 参数式:x=x(t)x=x(t)、y=y(t)y=y(t)。

单位圆的隐式方程是

x2+y2=1.x^2+y^2=1.

单个表达式 y=f(x)y=f(x) 无法描述整个圆,而参数表示可以做到。

显式函数的图像本身也可以参数化为

r(t)=(t,f(t)).\mathbf r(t)=(t,f(t)).

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。

正则性与奇点

对于可微曲线,导数 r′(t)\mathbf r'(t) 给出一个切向量。当

r′(t)≠0.\mathbf r'(t)\ne\mathbf0.

时,称该参数化在 tt 处正则。

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,

r(t)=(t3,0)\mathbf r(t)=(t^3,0)

描绘的是一条直线,但其导数在 t=0t=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。

重参数化与弧长

重参数化改变参数,但不改变所表示的几何图像。若

r:I→Rn\mathbf r:I\to\mathbb R^n

且 ϕ:J→I\phi:J\to I 是适当的双射,则

r~(u)=r(ϕ(u))\widetilde{\mathbf r}(u)=\mathbf r(\phi(u))

表示同一条曲线。

对于正则可微的重参数化,ϕ\phi 及其逆映射均可微,且 ϕ′\phi' 不为零。由链式法则可得

r~′(u)=r′(ϕ(u))ϕ′(u).\widetilde{\mathbf r}'(u) =\mathbf r'(\phi(u))\phi'(u).

递增的 ϕ\phi 保持定向不变,递减的 ϕ\phi 则反转定向。速率变为原来的 ∣ϕ′(u)∣|\phi'(u)| 倍。

对于连续可微的正则曲线,从参考参数 t0t_0 起算的弧长为

s(t)=∫t0t∥r′(τ)∥ dτ.s(t)=\int_{t_0}^{t}\|\mathbf r'(\tau)\|\,d\tau.

在这一关系可逆的范围内,用 ss 表示曲线就得到单位速率参数化:

∥drds∥=1.\left\|\frac{d\mathbf r}{ds}\right\|=1.

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。

关于弧长的曲线积分

∫Cf ds=∫If(r(t))∥r′(t)∥ dt,\int_C f\,ds = \int_I f(\mathbf r(t))\|\mathbf r'(t)\|\,dt,

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 ∫CF⋅dr\int_C\mathbf F\cdot d\mathbf r 的曲线积分的符号。

曲面与更高维空间

R3\mathbb R^3 中的曲面片可表示为

X:U⊆R2⟶R3,(u,v)⟼X(u,v).\mathbf X:U\subseteq\mathbb R^2\longrightarrow\mathbb R^3, \qquad (u,v)\longmapsto\mathbf X(u,v).

对于定义域 UU 为开集的光滑曲面片,标准的正则性条件是两个偏导数 Xu\mathbf X_u 和 Xv\mathbf X_v 线性无关。等价地,

Xu×Xv≠0.\mathbf X_u\times\mathbf X_v\ne\mathbf0.

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:

dA=∥Xu×Xv∥ du dv.dA=\|\mathbf X_u\times\mathbf X_v\|\,du\,dv.

这个因子在曲面积分中起着核心作用。

更一般地,从 Rk\mathbb R^k 的开子集到 Rn\mathbb R^n 的光滑参数化,在其雅可比矩阵的秩为 kk 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。

局部坐标与全局限制

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。

单个全局坐标片往往无法覆盖整个流形。例如,球坐标给出

X(θ,ϕ)=(sin⁡θcos⁡ϕ,sin⁡θsin⁡ϕ,cos⁡θ),\mathbf X(\theta,\phi) = (\sin\theta\cos\phi,\sin\theta\sin\phi,\cos\theta),

但在两极,经度 ϕ\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。

球面无法用一个映到 R2\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。

有理参数化

有理参数化将坐标表示为参数的多项式之比。例如,

x(t)=1−t21+t2,y(t)=2t1+t2x(t)=\frac{1-t^2}{1+t^2}, \qquad y(t)=\frac{2t}{1+t^2}

给出的点位于单位圆上,因为

x(t)2+y(t)2=1.x(t)^2+y(t)^2=1.

当 tt 取实数值时,这种表示覆盖圆上除 (−1,0)(-1,0) 以外的所有点;当 ∣t∣→∞|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 tt 的直线的交点来推导。

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。

统计学中的参数化

参数统计模型是一个概率分布族:

P={Pθ:θ∈Θ}.\mathcal P=\{P_\theta:\theta\in\Theta\}.

参数 θ\theta 用来选定该族中的一个分布。

例如,正态分布可以用均值和方差进行参数化:

θ=(μ,v),μ∈R,v>0,\theta=(\mu,v),\qquad \mu\in\mathbb R,\quad v>0,

其密度为

p(x∣μ,v)=12πvexp⁡ ⁣[−(x−μ)22v].p(x\mid\mu,v) = \frac{1}{\sqrt{2\pi v}} \exp\!\left[-\frac{(x-\mu)^2}{2v}\right].

同一个分布族也可以改用均值和标准差,或均值和精度 1/v1/v 进行参数化。

可识别性与冗余

若满足

Pθ=Pθ′⟹θ=θ′.P_\theta=P_{\theta'} \quad\Longrightarrow\quad \theta=\theta'.

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。

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。

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。

重参数化与推断

可逆变换 η=g(θ)\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

η^=g(θ^).\widehat\eta=g(\widehat\theta).

在贝叶斯推断中,参数上的概率分布也必须随之变换。如果 θ\theta 和 η\eta 通过光滑可逆变换联系起来,则它们的密度满足

pη(η)=pθ(g−1(η))∣det⁡Dg−1(η)∣.p_\eta(\eta) = p_\theta(g^{-1}(\eta)) \left|\det Dg^{-1}(\eta)\right|.

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。

优化与数值计算

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

a=eα,α∈R.a=e^\alpha,\qquad \alpha\in\mathbb R.

类似地,严格为正且总和为一的权重可以用Softmax函数表示:

wi=ezi∑j=1mezj.w_i=\frac{e^{z_i}}{\sum_{j=1}^{m}e^{z_j}}.

给所有 ziz_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。

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

x=F(θ),x=F(\theta),

则

∇θ(f∘F)=DF(θ)T∇xf(F(θ)).\nabla_\theta(f\circ F) = DF(\theta)^{\mathsf T}\nabla_x f(F(\theta)).

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。

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。

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。

用途与概念区分

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。

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。

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。