基于计算机视觉的角度测量系统数据拟合方案咨询

1. 多线性回归vs单模型的选择 #

优先选择分段线性回归（多个线性模型），而非单一覆盖-45°到+45°的模型，原因如下：

• 数据存在阶梯非线性，单一模型只能拟合整体平均趋势，无法捕捉局部的线性偏差特征，会导致整体拟合误差偏大；
• 分段模型可针对每个阶梯区间单独拟合，精准匹配该区间内的线性偏差因子，显著降低局部误差，同时保留误差最小中心值附近的精度优势；
• 若对计算效率要求极高且整体误差可接受，单一模型可作为简化方案，但精度表现必然逊于分段模型。

2. 理论阐述 #

这类问题属于**分段线性回归（Piecewise Linear Regression）**范畴，专门针对具有分段线性特征的非线性数据：

• 核心逻辑是将整个数据区间划分为多个子区间，每个子区间内用线性模型拟合，通过拼接多个线性模型逼近整体非线性趋势；
• 针对角度这类周期性环绕数据，需先做周期性归一化预处理（如将角度映射到[-π, π]或[0, 2π]区间），消除环绕带来的数据跳变，再进行分段拟合；
• 分段点的选择是关键：可手动根据数据阶梯突变点、误差分布拐点确定，也可通过K-means等聚类算法自动划分最优区间。

此外，角度测量的这类误差属于系统误差，分段线性回归是补偿此类系统误差的有效手段，尤其适合存在局部线性偏差的场景。

3. Python工具支持 #

Python中有多种工具可实现分段线性回归及相关处理：

• scikit-learn：可自定义划分数据区间，对每个子区间单独使用LinearRegression拟合；也可结合FeatureUnion实现多模型拼接；
• statsmodels：提供分位数回归（QuantReg）辅助分析误差分布，也可手动实现分段线性拟合；
• pwlf：专门针对分段线性回归的第三方库，支持自动寻找最优分段点，使用简单高效；
• numpy + matplotlib：用于数据预处理（如角度归一化）、拟合结果可视化，验证拟合效果。

示例代码（使用pwlf实现自动分段拟合） #

import numpy as np
import matplotlib.pyplot as plt
import pwlf

# 加载数据
angleReal = np.load("Actual Value.npy")
angleMeas = np.load("Measurement Value.npy")

# 角度归一化到[-π/4, π/4]（对应-45°到45°），消除环绕
angleReal_norm = np.arctan2(np.sin(angleReal), np.cos(angleReal))
angleMeas_norm = np.arctan2(np.sin(angleMeas), np.cos(angleMeas))

# 初始化分段线性拟合模型，自动寻找3个最优分段点（可根据数据调整）
my_pwlf = pwlf.PiecewiseLinFit(angleReal_norm, angleMeas_norm)
breaks = my_pwlf.fit(3)

# 生成拟合曲线
x_hat = np.linspace(np.min(angleReal_norm), np.max(angleReal_norm), 1000)
y_hat = my_pwlf.predict(x_hat)

# 可视化结果
plt.figure()
plt.plot(angleReal_norm, angleMeas_norm, "+", label="实际数据")
plt.plot(x_hat, y_hat, "-r", label="分段拟合曲线")
plt.plot(angleReal_norm, angleReal_norm, "-g", label="1:1映射")
plt.grid()
plt.legend()
plt.show()

内容的提问来源于stack exchange，提问作者lchavez