3D径向基函数(RBF)插值遇奇异矩阵，求QR分解代码插入位置

我明白你在搭建RBF插值代码时碰到了奇异矩阵的报错，哪怕已经移除了重复数据——这种情况其实很常见，问题不一定出在重复点上，更可能是你的输入特征（T Heizstation、T GWK、P Presse）之间存在线性相关性（比如其中一个变量能被另外两个变量近似线性表示），这会导致RBF算法构建的核矩阵不可逆，触发LinAlgError。

快速解决方案：用Scipy RBF内置的正则化参数 #

Scipy的interpolate.Rbf其实自带了smooth参数，用来添加正则化项，能直接解决奇异矩阵问题，比手动写QR分解简单得多。你只需要修改初始化RBF函数的那一行：

# 添加smooth参数，值可以根据你的数据调整，比如1e-6到1之间
newfunc = interpolate.Rbf(x1np,x2np,x3np,ynp,function='linear', smooth=1e-6)

这个参数会在核矩阵的对角线上加上一个小值，让矩阵变得非奇异，同时不会对插值结果造成太大影响。如果插值结果不够精准，可以尝试微调smooth的数值（比如1e-5、1e-7）。

手动用QR分解解决（如果需要底层控制） #

如果你确实想手动用QR分解来处理矩阵求解，那需要自己实现RBF的核矩阵构建和系数求解，而不是直接用Scipy的封装。以下是修改后的完整代码：

import numpy as np
from scipy import interpolate
import pandas as pd
import xlsxwriter

#Read the Dataset from Excel File
dataset=pd.read_excel(r'C:\Users\Windows 10\.spyder-py3\Messwerte_FIBRE.xlsx')
dataset=dataset.drop([0])
dataset=dataset.drop_duplicates(subset=['T Heizstation','T GWK','P Presse','Bauteilverzug'])

index1=[1]
index2=[4]
index3=[5]
index4=[9]

x1=dataset.iloc[:, index1]
x2=dataset.iloc[:, index2]
x3=dataset.iloc[:, index3]
y=dataset.iloc[:, index4]

#converting string into array
x1np=np.array(x1,dtype=float)
x2np=np.array(x2,dtype=float)
x3np=np.array(x3,dtype=float)
ynp=np.array(y,dtype=float).flatten()  # 转成一维数组方便矩阵运算

# 合并输入特征为N×3的矩阵
X = np.hstack([x1np, x2np, x3np])
N = X.shape[0]

# 构建线性RBF的核矩阵
def linear_rbf(x_i, x_j):
    return np.linalg.norm(x_i - x_j)

K = np.zeros((N, N))
for i in range(N):
    for j in range(N):
        K[i,j] = linear_rbf(X[i], X[j])

# 可选：添加微小的正则化项，进一步避免矩阵奇异
K += 1e-6 * np.eye(N)

# 用QR分解求解系数矩阵
Q, R = np.linalg.qr(K)
coeffs = np.linalg.solve(R, Q.T @ ynp)

# 自定义插值函数
def custom_rbf_interp(x1, x2, x3):
    x = np.array([x1, x2, x3]).reshape(1, 3)
    # 计算输入点与所有样本点的距离
    dists = np.linalg.norm(X - x, axis=1)
    # 计算插值结果
    return np.dot(dists, coeffs)

# 生成估计值
estimation = np.array([custom_rbf_interp(x1np[i][0], x2np[i][0], x3np[i][0]) for i in range(N)])

# Write the estimation output in Another Excel file
workbook = xlsxwriter.Workbook(r'C:\Users\Windows 10\.spyder-py3\RBF_Reg.xlsx')
worksheet = workbook.add_worksheet('est_output')

row=2
for outputverzug in enumerate(estimation):
    worksheet.write(row,0,outputverzug[1])
    row+=1

# 修复原代码中write_column的错误
row=2
for idx, val in enumerate(ynp):
    worksheet.write(row,1,val)
    row+=1

worksheet.write(0,0,"Predicted Angle Values")
worksheet.write(1,0,"°")
worksheet.write(0,1,"Original Angle Values")
worksheet.write(1,1,"°")

worksheet.conditional_format('A2:A202', {'type': '3_color_scale', 'min_color': "#FF0000", 'max_color': "#00FF00"})
worksheet.conditional_format('B2:B202', {'type':'3_color_scale', 'min_color': "#00FF00", 'max_color': "#FF0000"})

workbook.close()

这里的核心是手动构建RBF核矩阵，然后用QR分解替代直接求逆来求解线性方程组，这样能避免奇异矩阵的问题。另外我还修复了原代码中write_column的使用错误，确保原始值能正确写入Excel。

额外建议 #

你可以先检查一下输入特征的相关性，比如用np.corrcoef(X.T)计算相关系数矩阵，如果某两个变量的相关系数接近1或-1，说明存在强共线性，这时候除了正则化，也可以考虑移除其中一个冗余变量，从根源上解决矩阵奇异的问题。

内容的提问来源于stack exchange，提问作者Umair Rehman