Raccordo ZernikeHo un cliente che chiede informazioni su Zernike Fitting nella libreria dei modelli non lineari JMP. Non ho familiarità con il metodo di adattamento polinomiale. Qualcuno ha familiarità con questo metodo e / o la capacità di eseguire questo tipo di analisi (o una soluzione alternativa) in JMP? Grazie.
Ri: Zernike FittingA giudicare da ciò che ho letto sul Web, la matematica dietro sarebbe difficile da implementare in Nonlineare. Per il montaggio 2D o 3D, darei un'occhiata alla piattaforma di processo gaussiana. Utilizza le funzioni casuali gaussiane per interpolare tra i punti dati e farà un lavoro decente adattando le superfici irregolari. Può essere considerato simile al kriging. Lo svantaggio di GP è che non si adatta bene a problemi molto grandi (un metodo GASP veloce è stato aggiunto alcune versioni fa, quindi è migliorato molto) In definitiva, dipende da cosa vogliono fare.
Ri: Zernike FittingSarò secondo @DonMcCormack sull'approccio del processo gaussiano, ma suggerisce anche reti neurali. Sono molto flessibili e puoi utilizzare le diverse funzioni di attivazione (Pro) per creare un modello predittivo migliore.
Ri: Zernike FittingDall'apst ho sentito che solo in ottica o situazioni di salute degli occhi, usato per adattarsi meglio ai fronti d'onda. Ci sono alcune implementazioni personalizzate in MATLAB che conosco:
https://de.mathworks.com/matlabcentral/answers/408242-toolbox-for-zernike-polynomial-surface_fitting
lì vedi anche come sono stati implementati. Per catturare tutti i possibili polinomi di Zernike si tratta di molte impostazioni, calcoli e casi diversi da gestire. Quindi non sono sicuro che JSL sarebbe molto veloce nel gestire tutte le operazioni di matrice.
Non sono sicuro se gaussian e nn siano delle buone alternative poiché di solito usi i polinomi di zernike perché hai a che fare con superfici curve, non planari dove potresti avere una bella griglia su di essa. Ci sono alcuni che usano nn convoluzionale e cercano di generalizzarli per mantenere l'ortogonalità richiesta.
