B 样条

一、直观理解：用“局部积木”搭建光滑曲线

B 样条（B-spline, Basis spline）把曲线写成若干基函数的线性组合。每个基函数只在有限区间上非零（局部支撑），因此移动一个控制顶点或调整一个系数，通常只改变曲线的局部形状。

可以把它想象成：曲线由一组可重叠的“驼峰形”积木加权叠加而成。积木的位置由节点向量决定，积木的“胖瘦/平滑程度”由**阶数（次数）**决定。三次 B 样条是最常见选择。

与“三次样条插值一定穿过数据点”不同，B 样条既可以做插值，也可以做逼近（拟合）；在 CAD、数据平滑与灵活曲线建模中非常通用。

二、适用场景与优缺点

类型	说明
适用场景	需要局部修改曲线；平滑含噪数据；构造灵活的非线性回归基；CAD/几何造型；比高次多项式更稳的全局逼近。
核心优点	局部支撑；数值稳定；可控制连续性；易扩展到样条回归与惩罚样条；次数较低也能足够光滑。
局限与缺点	节点与次数选择有学问；插值条件需额外求解系数；概念比 interp1 重；解释系数不如“过点折线”直观。

三、核心原理：节点向量与 Cox–de Boor 递推

给定次数 $p$、节点向量 $t_0\le t_1\le\cdots\le t_m$，B 样条基 $N_{i,p}(x)$ 由递推定义：

$$N_{i,0}(x)=\begin{cases}1,& t_i\le x<t_{i+1}\\0,&\text{otherwise}\end{cases}$$ $$N_{i,p}(x)=\frac{x-t_i}{t_{i+p}-t_i}N_{i,p-1}(x)+\frac{t_{i+p+1}-x}{t_{i+p+1}-t_{i+1}}N_{i+1,p-1}(x)$$

曲线/函数表示为

$$s(x)=\sum_{i}c_i N_{i,p}(x)$$

重要性质

• 局部支撑：$N_{i,p}$ 只在 $[t_i,t_{i+p+1})$ 非零；
• 非负性与单位分解：$\sum_i N_{i,p}(x)=1$（在有效定义域内）；
• 连续性：在单节点处通常 $C^{p-1}$，重节点会降低连续性。

三次样条插值可以用 B 样条基表示，此时系数由插值条件唯一确定（在合适端点条件下）。

四、关键选择：次数、节点、插值还是拟合

1. 次数 $p$：3 最常用；更高次数更光滑但更易振荡；
2. 节点：均匀节点简单；分位数节点适应数据疏密；
3. 插值：解线性系统使 $s(x_j)=y_j$；
4. 拟合：最小二乘 $\min_c\|y-Bc\|^2$，可加粗糙惩罚（smoothing spline 思想）；
5. 边界：开区间、重复端节点（clamped）等。

五、MATLAB 示例

MATLAB Curve Fitting Toolbox 提供 spapi、spap2、fnval 等。若无工具箱，也可用 spline/csape 处理三次样条特例，或用多项式基做教学替代。下面给出基于工具箱的写法，并附一个不依赖工具箱的三次样条对照。

%% 若有 Curve Fitting Toolbox：B 样条插值与最小二乘逼近
x = linspace(0, 2*pi, 12);
y = sin(x) + 0.08*randn(size(x));
xq = linspace(0, 2*pi, 300);

% 插值型三次样条（B 形表示）
try
    sp_interp = spapi(4, x, y);      % 4 = 阶数(order)=次数+1
    yq1 = fnval(sp_interp, xq);

    % 最小二乘 B 样条逼近：用较少系数平滑噪声
    knots = augknt(linspace(0, 2*pi, 8), 4);
    sp_fit = spap2(knots, 4, x, y);
    yq2 = fnval(sp_fit, xq);

    figure;
    plot(x, y, "ko", "MarkerFaceColor", "y"); hold on;
    plot(xq, sin(xq), "k--");
    plot(xq, yq1, "r-");
    plot(xq, yq2, "b-", "LineWidth", 1.2);
    legend("含噪数据", "真值", "B样条插值", "B样条最小二乘", "Location", "best");
    title("B 样条：插值 vs 逼近");
    grid on;
catch ME
    warning("Curve Fitting Toolbox 不可用，改用 spline 对照：%s", ME.message);
    yq1 = spline(x, y, xq);
    figure;
    plot(x, y, "ko", xq, yq1, "r-", xq, sin(xq), "k--");
    legend("数据", "三次样条", "真值"); grid on;
    title("无工具箱时的三次样条对照");
end

不依赖工具箱的“样条回归”教学版（用截断幂基，概念相近）：

%% 截断幂三次基的最小二乘（教学用）
rng(2);
x = linspace(0, 1, 40)';
y = sin(2*pi*x) + 0.15*randn(size(x));
knots = [0.25 0.5 0.75];

% 设计矩阵: 1, x, x^2, x^3, (x-k)_+^3
Xdes = [ones(size(x)), x, x.^2, x.^3];
for k = knots
    Xdes = [Xdes, max(x - k, 0).^3]; %#ok<AGROW>
end
coef = Xdes \ y;
xq = linspace(0, 1, 200)';
Xq = [ones(size(xq)), xq, xq.^2, xq.^3];
for k = knots
    Xq = [Xq, max(xq - k, 0).^3]; %#ok<AGROW>
end
yq = Xq * coef;

figure;
plot(x, y, "o"); hold on;
plot(xq, yq, "LineWidth", 1.5);
plot(xq, sin(2*pi*xq), "--");
legend("数据", "样条回归", "真值"); grid on;
title("截断幂三次样条回归（概念演示）");

六、如何解释结果

报告应写清：

1. 次数/阶数与节点向量（或节点选择规则）；
2. 插值还是最小二乘逼近；
3. 系数个数与有效自由度；
4. 拟合优度（RMSE、$R^2$、验证误差）；
5. 局部修改或平滑的目的是否达到；
6. 与多项式拟合、三次样条插值的对比理由。

七、常见误区

1. 节点过多导致过拟合

B 样条很灵活，节点太密时会贴近噪声。

2. 把控制顶点当成数据点

一般 $c_i$ 不是简单的 $(x_i,y_i)$，除非做了插值约束。

3. 忽略端节点重复规则

CAD 中常见端点重复 $p+1$ 次以实现夹持；写错节点向量曲线会怪。

4. 工具箱函数当黑盒

不理解 order 与 degree 的差别（MATLAB 中 order = degree+1）容易设错。

附：建模流程中的落地清单（B 样条）

要把方法真正写进论文，建议补齐以下模块，而不是只贴一个最终数字。

1. 问题对齐与假设

说明题目中的输入/输出如何映射到本方法，并显式列出关键假设。假设越清楚，后面的敏感性分析越有对象。

2. 关键关系

$s(x)=\sum_i c_i N_{i,p}(x)$，基函数局部支撑；可插值也可最小二乘逼近。

3. 补充实现片段

% 无工具箱时用三次样条对照
x=linspace(0,1,12); y=sin(2*pi*x)+0.05*randn(size(x)); xq=linspace(0,1,200); plot(x,y,'o',xq,spline(x,y,xq),'-');

4. 报告要素

次数/节点、插值还是逼近、RMSE、自由度。

5. 不适用情形

节点过密过拟合；混淆控制顶点与数据点。

6. 与验证章节的衔接

至少做一项：参数扰动、与基线方法对照、极限情形检查。把“方法正文”和“全局方法论（第15门类）”连起来，结论才站得住。

八、小结

B 样条用局部支撑基函数构造光滑曲线，兼顾灵活性与数值稳定性，既能插值也能逼近。数学建模里，它适合需要可调光滑度的曲线表示与样条回归；若目标只是对无噪节点做标准光滑插值，三次样条插值往往已够用。