##  [Moindres Carrés Mobiles (MLS)](/fr/node/60655) 

 Définition

Technique d'approximation sans maillage qui construit des approximants polynomiaux locaux en résolvant un problème de moindres carrés pondérés dont les poids dépendent du point d'évaluation, produisant des reconstructions lisses à partir de données éparses.

 

 

 

 

 

 





## Principe

Principe

Ajuster des modèles polynomiaux locaux aux données dans le voisinage de chaque point cible en utilisant des poids basés sur la distance afin que l'approximation varie de manière continue avec la position d'évaluation et s'adapte à la distribution des points.

 

 

 

 

 





## Démonstration

Démonstration

Étant donné des échantillons de déplacement épars d'une surface en déformation, calculer en chaque point de requête un ajustement quadratique local à l'aide des échantillons voisins pondérés par un noyau gaussien centré au point de requête, produisant un champ de déplacement reconstruit continu.

 

 

 

 

## Mauvaise application

Mauvaise application

Employer MLS avec un rayon de support excessif détruit la localité et lisse les discontinuités ; à l'inverse, un support trop petit conduit à des moindres carrés mal conditionnés et à des reconstructions bruitées.

 

 

 

 

 





## Conséquence

Conséquence

Bien réglée, MLS fournit des approximations lisses et différentiables utiles pour la récupération de gradients, la reconstruction de surfaces et les discrétisations sans maillage des EDP avec régularité contrôlable.

 

 

 

 

## Inversion

Inversion

L'inverse est le moindres carrés global ou l'interpolation globale qui utilise un seul ajustement sur tout le domaine : cette approche perd l'adaptativité locale et peut souffrir d'oscillations ou de mauvaise condition pour de grands jeux de données.

 

 

 

 

 





## Limite

Limite

Efficace pour des données éparses et des discrétisations sans maillage où la localité et la lissité sont souhaitées ; moins adapté lorsque l'interpolation exacte aux nœuds est obligatoire ou lorsque les données sont fortement bruitées sans prétraitement.

 

 

 

 

 





## Tension sémantique

Tension sémantique

Confronte les méthodes par fonctions de base radiales et la régression par noyau : MLS met l'accent sur la reproduction polynomiale locale et l'évaluation mobile, tandis que les RBF offrent des interpolants globaux lisses nécessitant d'autres stratégies de conditionnement.

 

 

 

 

 





## Synthèse

Synthèse

Moindres Carrés Mobiles : méthode locale sans maillage qui produit des reconstructions de champ lisses en résolvant des moindres carrés pondérés dont les poids se déplacent avec le point d'évaluation, équilibrant localité et lissité par le choix du support.