В настоящее время я играю со старым аналоговым компьютером, который мог довольно быстро решать зависимые от времени ODE/PDE без временного шага; таким образом, нет проблем со сходимостью, вызванных временным шагом из-за его вычислительной природы. Но проблема аналоговых компьютерных решений в том, что они неточны из-за физических ограничений. Мне очень любопытно, что: существуют ли какие-либо численные методы/решатели, которые могут использовать приближенное решение аналогового компьютера (во временном интервале) для его дальнейшей обработки и создания более точного решения?
Приведу пример решения ОДУ второго порядка, описывающего движение массо-пружинного демпфера. Уравнение следующее:
После того, как вы загрузите начальные условия в интеграторы, вы можете позволить аналоговому компьютеру работать и решать. Если вы измерите электрический сигнал на выходе интегратора 1, вы получите решение во временной области:
Но из-за физических ограничений (например, электрических помех, смещений) решение не точно. Я ищу численный метод, который может принять приведенное выше решение аналоговым компьютером, например решения , начните с этих приблизительных точек решения и далее уточняйте эти решения с гораздо большей точностью.
(Этот ОДУ второго порядка является простым примером для иллюстрации; он имеет аналитическое выражение решений. Более общий случай — это нелинейные ОДУ без аналитического решения.)
Заранее спасибо!! Любые мысли и предложения очень приветствуются и ценятся!!
Если у вас есть хорошая начальная оценка, метод Ньютона трудно превзойти. Квадратичная сходимость означает, что количество точных десятичных (двоичных) разрядов удваивается с каждой итерацией. Это предполагает, что первая производная медленно меняется между вашей оценкой и реальным решением, что означает, что вторая производная, умноженная на вашу ошибку (между оценкой и реальным ответом), мала по сравнению с первой производной. Из физических соображений вы знаете, что ваше решение представляет собой затухающую синусоиду, поэтому подгоните его к Что вам действительно нужно для метода Ньютона, так это оценки , а не оценки что вы получаете от вашей схемы. легко, это . я бы взял от последнего пересечения нуля я мог легко определить и от отношения первого пика к стартовой амплитуде.
Почти в том же духе, что и ответ Росса Милликена, позвольте мне предположить, что вы знаете начальные условия , и что модель что-то вроде
Это можно рассматривать как проблему нелинейной регрессии, и ключевой вопрос состоит в том, чтобы получить «разумные» оценки.
Первое условие дает и это окончательное значение (это больше не параметр, который нужно настраивать).
Теперь, глядя на производную
Все вышеперечисленное делает модель
Теперь у нас есть все необходимые элементы, чтобы начать нелинейную аппроксимацию данных методом наименьших квадратов.
Просто глядя на сюжет в посте, пользуясь тем, что первый минимум более-менее соответствует , , получаем в качестве оценок и в то время как точные значения должны быть и . Нелинейная регрессия сходится за пару итераций.
Ознакомьтесь с этой статьей из Колумбийского университета . чип/
Кажется, они пытаются сделать почти то же самое, о чем вы подумали: использовать аналоговые вычисления, чтобы получить хорошую начальную оценку, а затем использовать цифровые (в основном стандартные численные методы), чтобы получить окончательный приемлемый ответ, и все это в настоящий компьютерный чип. Довольно круто, если вы спросите меня.
Ян
Нейт
Нейт
Ян
пользователь7530
Нейт
Нейт
Ян
Нейт