Проблема с кривой для двумерных данных хорошо известна (LOWESS и т. Д.), Но с учетом набора точек 3D-данных, как мне соответствовать 3D-кривой (например, сплайсинг/регрессионный сплайн) к этим данным?Набор кривых 3D-данных
БОЛЬШЕ: Я пытаюсь найти кривую, подгоняя данные, предоставленные векторами X, Y, Z, которые не имеют никакого известного отношения. По сути, у меня есть облако 3D-точек, и вам нужно найти трехмерную линию тренда.
БОЛЬШЕ: Я прошу прощения за двусмысленность. Я попробовал несколько подходов (я все еще не пробовал модифицировать линейную подгонку), и случайный NN, похоже, лучше всего работает. I.e., я произвольно выбираю точку из облака точек, нахожу центроид ее соседей (в произвольной сфере), итерацию. Соединение центроидов с образованием гладкого сплайна оказывается трудным, но полученные центроиды проходимы.
Чтобы прояснить проблему, данные не являются временным рядом, и я ищу гладкий сплайн, который лучше всего описывает облако точек, если бы я проецировал этот 3D-сплайн на плоскость, образованную любыми 2 переменными, проецируемый сплайн (на 2D) будет плавным положением прогнозируемого облака точек (на 2D).
IMG: Я включил изображение. Красные точки представляют собой центроид, полученный из вышеупомянутого метода.
3D Point Cloud and Local Centroids http://img510.imageshack.us/img510/2495/40670529.jpg
изображение отсутствует –