کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5775853 1631749 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Kernel-based adaptive approximation of functions with discontinuities
ترجمه فارسی عنوان
تقریب تطبیقی ​​مبتنی بر هسته از توابع با اختلالات
کلمات کلیدی
ترجمه چکیده
یکی از اصول اساسی تئوری تقارن این است که کیفیت تقریبی ها با صافی بودن تابع تقریب می شود. توابع که در برخی از زیر دامنه ها صاف هستند، تقریبی خوبی در آن زیردامنه ها دارند و این زیر تقریبی ها می تواند به طور موثر به طور موثر محاسبه شود، تا زمانی که زیردامن ها با یکدیگر همپوشانی ندارند. در این مقاله یک الگوریتم ارائه می شود که ابتدا محدوده های زیر را در زیر دامنه های غیر همپوشانی محاسبه می کند، سپس زیر دامنه ها را تا آنجا که ممکن است گسترش می دهد و در نهایت تولید یک راه حل جهانی در حوزه داده را با اجازه دادن به زیر دامنه های کل دامنه را پر می کند. در نتیجه، هیچ پدیده گیبس در امتداد مرزهای زیر دامنه وجود نخواهد داشت. این روش گسل ها و گسل های گرادیان را با دقت خوب تشخیص می دهد. در طول این الگوریتم برای داده های ورودی پراکنده ثابت از تابع خود، نه در داده های طیفی، کار می کند و نمونه ای ندارد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
پیش نمایش مقاله
تقریب تطبیقی ​​مبتنی بر هسته از توابع با اختلالات
چکیده انگلیسی
One of the basic principles of Approximation Theory is that the quality of approximations increase with the smoothness of the function to be approximated. Functions that are smooth in certain subdomains will have good approximations in those subdomains, and these sub-approximations can possibly be calculated efficiently in parallel, as long as the subdomains do not overlap. This paper proposes an algorithm that first calculates sub-approximations on non-overlapping subdomains, then extends the subdomains as much as possible and finally produces a global solution on the given domain by letting the subdomains fill the whole domain. Consequently, there will be no Gibbs phenomenon along the boundaries of the subdomains. The method detects faults and gradient faults with good accuracy. Throughout, the algorithm works for fixed scattered input data of the function itself, not on spectral data, and it does not resample.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Mathematics and Computation - Volume 307, 15 August 2017, Pages 113-123
نویسندگان
, ,