B样条曲线在给定区间内曲率极值的计算方法

1. B样条曲线定义

设 p 次 B 样条曲线为:

C(u) = Σᵢ₌₀ⁿ Pᵢ Nᵢ,ₚ(u), u ∈ [uₐ, u_b] ⊆ [uₚ, uₘ₋ₚ]

其中:

  • Pᵢ ∈ ℝᵈ(d = 2 或 3)为控制点;
  • Nᵢ,ₚ(u) 为由节点向量 U = {u₀, u₁, …, uₘ} 定义的 p 次 B 样条基函数。
2. 曲率表达式
(1)平面曲线(d = 2)

曲率 κ(u) 为:

κ(u) = |C′(u) × C″(u)| / ‖C′(u)‖³

其中:

  • C′(u) 和 C″(u) 分别为一阶和二阶导数;
  • “×” 表示二维向量的伪叉积:若 C′ = (x′, y′),C″ = (x″, y″),则
    C′ × C″ = x′ y″ − y′ x″(标量);
  • ‖·‖ 为欧几里得范数。
(2)空间曲线(d = 3)

曲率 κ(u) 为:

κ(u) = ‖C′(u) × C″(u)‖ / ‖C′(u)‖³

其中 “×” 为三维向量叉积,“‖·‖” 为向量模长。

注:本文以平面情形为主,空间情形类似,仅将叉积结果取模。

3. 导数计算(B样条导数性质)

B 样条曲线的 k 阶导数仍为 B 样条形式。一阶和二阶导数可表示为:

C′(u) = p Σᵢ₌₀ⁿ⁻¹ (Pᵢ₊₁ − Pᵢ) / (uᵢ₊ₚ₊₁ − uᵢ₊₁) · Nᵢ,ₚ₋₁(u)

C″(u) = p(p−1) Σᵢ₌₀ⁿ⁻² Qᵢ · Nᵢ,ₚ₋₂(u)

其中 Qᵢ 为二阶差商控制点(可通过递推或自动微分获得)。
实际计算中,可使用 de Boor 算法或其导数扩展高效求 C′(u) 和 C″(u)。

4. 曲率极值条件

曲率极值出现在以下两类点中:

  1. 驻点:满足 dκ/du = 0 的内点 u ∈ (uₐ, u_b);
  2. 端点:u = uₐ 或 u = u_b。

因此,需解方程:

dκ(u)/du = 0

由于 κ(u) 是有理函数(分子为多项式,分母为范数的三次方),其导数为高阶有理函数,一般无解析解,需数值求解。

5. 数值求解步骤

步骤 1:参数区间离散化
在 [uₐ, u_b] 内生成初始采样点,如均匀网格或基于曲率变化自适应采样。

步骤 2:计算曲率及其导数(或差分)
对每个 u,用 B 样条求值算法计算:

  • C′(u), C″(u)
  • κ(u) = |x′ y″ − y′ x″| / (x′² + y′²)^{3/2}

步骤 3:定位候选极值点

  • 检查 κ(u) 在采样点中的局部极大/极小;
  • 对每个疑似极值区间 [uᵢ, uᵢ₊₁],使用数值优化方法(如 Brent 法、牛顿法)求解 dκ/du = 0。
  • 实用技巧:可最小化/最大化目标函数 f(u) = κ(u),使用无导数优化器(如 golden-section search)避免显式求导。

步骤 4:比较端点与内部极值
最终曲率极值为:

  • κ_max = max{ κ(uₐ), κ(u_b), κ(u₁*), κ(u₂*), … }
  • κ_min = min{ κ(uₐ), κ(u_b), κ(u₁*), κ(u₂*), … }

其中 uⱼ* 为内部驻点。

6. 注意事项
  • 当 ‖C′(u)‖ ≈ 0 时(曲线速度接近零),曲率可能发散,需排除奇异点;
  • 若 B 样条为非均匀有理 B 样条(NURBS),需先转换为有理形式或使用齐次坐标求导;
  • 对于高精度需求,建议使用区间分析贝塞尔 clipping 方法保证极值不被遗漏。
内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

haing2019

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值