定义和基础
[编辑 | 编辑源代码]
向量范数
[编辑 | 编辑源代码]
向量范数的定义
[编辑 | 编辑源代码]
最常见的向量是那些由有序n元组组成的实数或复数。它们可以写成行
或列 
形式。组件或坐标的逗号或其他分隔符可能使用也可能不使用。当向量有多个元素时,可以使用以下符号
或
经常使用。
表示向量的最流行符号是
.
向量通常按分量相加,因为
和
,
.
标量乘法定义为
.
向量范数是普通绝对值
在实数或复数上的推广。
对于
和
, 向量,以及
, 一个标量,一个向量范数是一个实数值
与一个向量相关联,它具有以下性质。
.
常用向量范数
[edit | edit source]
最常用的范数是
.
在
维复数向量空间上,任意两个范数都是拓扑等价的,也就是说,如果
和
是两个不同的范数,那么存在正常数
和
使得
.
向量内积
[编辑 | 编辑源代码]
两个向量的内积(或点积)
和
,
定义为
,
或者当
和
是复数时,用以下公式:
|
.
| |
它通常用以下几种符号表示:
或
.
除了点积,其他内积的定义也是一个规则,它将每个向量对
, 赋值为一个具有以下性质的复数。


对于
,
是实数并且为正
并且
内积定义范数如下
| .
| |
涉及范数的不等式
[编辑 | 编辑源代码]
柯西-施瓦茨 和 赫尔德不等式 经常使用。

对于 
矩阵范数
[编辑 | 编辑源代码]
矩阵范数的定义
[编辑 | 编辑源代码]
最常见的矩阵由实数或复数的矩形数组组成。它们可以用元素形式
并被视为列 或 行 向量的集合。
矩阵通常按元素相加,因为
标量乘法 定义为
.
符号
意味着
中所有 元素 都是 完全为零 的。
矩阵范数 是对普通绝对值
(实数 或 复数) 的推广,可以被视为 向量范数 的一种类型。
对于
和
, 矩阵,以及
, 一个 标量,矩阵范数 是一个与 矩阵 关联的 实数 值
,它满足以下性质。
.
常见矩阵范数
[edit | edit source]
最常用的范数是
.
与向量范数类似,在
矩阵 上,任何两个复数的 矩阵范数 在 拓扑等价 的意义上是等价的。也就是说,如果
和
是两个不同的范数,那么存在 正 常数
和
使得
.
范数
在 矩阵
上是一个 导出 范数的例子。对于 向量范数
,导出 范数定义为
.
这可能会导致相同的下标符号被用于两个不同的范数。
正定矩阵
[编辑 | 编辑源代码]
一个
矩阵
被称为 正定,如果对于任何 向量 
对于某个 正 常数
,该常数不依赖于
。
正定 性质保证了解决方程
中使用的各种常用数值技术的 数值稳定性。
如果取
那么
.
所以
以及
.
这给出
并且
.
范数一致性
[edit | edit source]
一个矩阵范数
和一个向量范数
被称为一致,当
.
当
是由向量范数
导出的矩阵范数时,则这两个范数将是一致的。
当这两个范数是不一致时,仍然会存在一个正常数
使得
.
有限差分算子
[编辑 | 编辑源代码]
一阶导数的近似
[编辑 | 编辑源代码]
函数的导数定义给出了第一个也是最简单的有限差分。
.
因此,有限差分
可以被定义。当
接近
时,它是
的近似值。
有限差分近似
对于
被认为是阶数
, 如果存在
使得
,
当
接近
。
出于实际原因,有限差分的阶将根据以下假设来描述:
足够光滑,因此它对某个阶的泰勒展开是存在的。例如,如果
那么
所以
,
这意味着
被
近似的阶为
。
到目前为止所定义的有限差分是一个2点算子,因为它需要2次评估
。如果
那么另一个2点算子
可以定义。由于
,
这个
是 **2** 阶的,被称为 **中心** 差分 算子。对于相同数量的点,中心差分算子通常比非中心算子高一个精度阶。
更一般地说,对于
个点
,一个有限差分算子
通常通过选择系数
来定义,以便
具有尽可能高的阶数的精度。考虑
.
然后
.
其中
是 *范德蒙德* 系统的右侧
并且
.
当
被选择使得
那么
.
因此,该算子的 _阶_ 为
.
在本节的最后,我们将提供一个 _表_,该表包含前几个
的值,即点的数量。讨论将继续进行 _二阶导数_ 的 _近似_。
二阶导数的近似
[edit | edit source]
函数 _二阶导数_ 的定义
.
与 _一阶导数_ 的 _有限差分_ 近似一起使用
给出 _有限差分_
鉴于
对于刚刚定义的算子
.
如果相反,_差分算子_
被使用
如果尝试其他显而易见的可能性
鉴于
,
.
所以 
是
的一个 *二阶 **中心** 差分* 近似。
用于一阶导数近似的推理可以应用于二阶导数,只需要做一些小的修改。
对于
个 **点**
,*有限差分算子*
通常通过选择系数
来定义,以便
具有尽可能高的 *阶数* 的 *精度*。考虑
.
然后
.
其中
是 *范德蒙德* 系统的右侧
并且
.
当
被选择使得
那么
.
因此,该算子的**阶数**为
。
**中心化**点的效果将在后面的内容中进行讨论。
高阶导数的近似
[edit | edit source]
虽然高阶导数的近似可以从低阶导数的近似递归定义,但最终的结果是相同的有限差分算子。**范德蒙德**类型系统将再次用于此目的。
.
使用**有限差分**来近似
所需的**点数**至少为
。
对于
点
一个有限差分算子
通常定义为选择系数
以便
近似
尽可能高的阶精度。考虑到
.
然后
.
其中
是 *范德蒙德* 系统的右侧
并且
.
当
被选择使得
那么
.
因此,该算子的 *阶* 为
。
另一种分析方法是要求 *有限差分* 算子精确地对
的幂进行微分,直到最高可能的幂。
点的放置影响
[edit | edit source]
通常,
被取为整数值,因为 *点* 意在与 *区间* 或 **二维** 或 **三维** *域* 的一些划分相一致。如果这些 *点* 以及
是仅从 *精度* 的角度来选择的,那么 *更高的精度* 只能实现 *一阶*。
首先,让我们看看用 *三个点* 来逼近
的精度能达到多高。
然后,* **无法** 获得 *阶数为 **4** * 的 *精度* ,因为这将需要求解以下方程:
由于矩阵
是 *非奇异* 的。除非
为
,否则,方程无解。
对于 *阶数为 **3** * 的 *精度*
因此,矩阵
是奇异的,并且
是某个多项式
的根。
接下来是两个例子。
为了看看
可以用三个点逼近的精度。
那么,3阶的精度无法实现,因为它需要求解以下方程
无法求解,因为矩阵
和 
都需要是 *奇异* 的。
如果矩阵
是 *奇异* 的,那么
是某个 *多项式*
的 *根*,
这意味着
意味着 *基本行操作可以将*
到
这是非奇异的。
反之,如果
是某个多项式
的根,那么
可以被求解,并且
可以被二阶精度近似。
看看使用
点可以以多高的精度近似
。
然后,m+1阶精度无法实现,因为这需要求解
由于矩阵
为
的可能性可以通过其他方式排除,因为例如,如果
,则块的非奇异性
将迫使
.
对于
阶的精度
因此,矩阵
是奇异的,并且
是某个多项式
的根。
对于二阶、三阶...导数,依此类推。
如果
是某个多项式
的根
那么这个系统
可以求解,并且
以
的 *阶* *精度* 逼近
。
如果
是某个多项式

那么这个系统
可以求解,并且
近似
的 *阶* *精度* 为
.
现在,分析还没有完全结束。回到对
的近似。如果对于多项式
是
,那么该系统可以求解出更高的精度。因此,问题就变成了是否能找到形如
存在具有
个不同的实根。当
时,则不存在。因此考虑
。
如果
具有 **4** 个不同的实根,那么
具有 **3** 个不同的实根,但实际上并不存在。因此,逼近的阶数无法提高。这通常都是这样。
回到对
的逼近。如果对于多项式
是
,那么系统可以求解一个更高的精度阶数。因此,问题就变成了是否存在形式为
这样的多项式,具有
个不同的实根。
如果
有
个不同的实根,那么
有
个不同的实根,而它没有。因此,近似的阶数无法提高。
对于使用单位根的复变量函数,例如,可以获得更高的近似阶数,因为允许复数根。
中心差分算子
[编辑 | 编辑源代码]
对于
点
一个有限差分算子
当点对称地围绕
。被称为是居中的。
当
是奇数
.
为了找到中心差分算子,考虑
.
然后
.
其中,
是超定系统右侧。
并且
.
当
被选择使得
那么
.
因此,该算子的*阶数*为
。
由于在*中心*情况下,该系统是*超定的*,因此需要一些限制才能使该系统有解。当
是多项式的根时,就会出现解
其中
.
观察到当
是*偶数*时
而当
是*奇数*时
.
因此,当
为偶数
对于所有奇数
都有
,而当
为奇数
对于所有偶数
都有
。
因此,当点数
为偶数,且导数的阶数
为奇数,或者当点数
为奇数,且导数的阶数
为偶数时,中心差分算子将获得一阶额外精度。
移位算子
[编辑 | 编辑源代码]
函数的移位
[编辑 | 编辑源代码]
三角多项式
[编辑 | 编辑源代码]
设
|
| |
是在
上定义的三角多项式。
在这些三角多项式上定义内积为
|
.
| |
鉴于正交性
,
以及
当
时,
内积可以很容易地计算出来。
|
.
| |
对于
内积由下式给出
|
.
| |
移位算子的定义
[编辑 | 编辑源代码]
定义移位算子
对
为
|
.
| |
由于
并且
,
所以
|
.
| |
三角多项式近似
[编辑 | 编辑源代码]
设
是一个在区间
上定义并周期的函数。也就是说
.
次三角多项式近似 到
由以下公式给出:
其中
|
以及 .
| |
以以下意义近似
:
在所有度数为
或更低的三角多项式中被
最小化。
事实上
.
中间的项

,
所以
|

.
| |
如果
和
是
度三角多项式逼近 到
和
, 那么
度三角多项式逼近 到
由
.
这直接从 (3.4.0) 推出,因为
以及
.
基本性质
[edit | edit source]
一般情况下,如果
是函数
的
次三角多项式逼近,在
上是周期性的,那么
是
次三角多项式逼近
。
为了看到这一点,请计算
的三角多项式逼近。




,
其中
以及
.




.
将结果与 (3.3.1) 对比即可完成观察。
另一个有用的细节是
即
|
.
| |
误差估计
[edit | edit source]
误差估计中用到的一个结果是
| .
| |
当
是正弦多项式时
那么
|
| |
并且
| .
| |
简单函数
[编辑 | 编辑源代码]
令 
所以
是
的划分。
函数
在
上被称为简单,如果
|
| |
特别令人关注的是,当点等距时,
.
目的是估计
.
首先对
进行奇延拓到
,方法是设定
,并通过周期性扩展
来继续定义。
然后用正弦多项式来近似
:
其中
.
当
足够大,使得某些
被
整除时,对于 
,
并令
,
,
所以
.
现在,回到和式
其中
当
.
If
and
, then
, and in this case
and
.
So for 

| .
| |
接下来观察,如果
是
次 正弦多项式逼近
那么
是
次 傅里叶多项式逼近
. 假设
是奇函数且周期函数仍然有效。
最后得出预期结果。




所以
.
利用(3.7.1)
.
由于**简单函数**可以用三角多项式任意精度地逼近,
|
.
| |
现在,对于
, 并且使用**简单函数**
的定义
为了找到
的和,列出
在
的整个区间
上的取值。
这给出
.
所以不等式成立
|
.
| |
专门范数
[edit | edit source]
能量和热量范数
[edit | edit source]
有一些鲜为人知但重要的范数。这些范数在许多物理问题的分析中很重要,并用于有限差分和有限元方法的误差估计。例如,能量和热量范数。
这些范数通常以积分形式表示。
当
时,以下不等式成立。
这可以从一个非常基本但冗长的计算中得出,如附录 a) 所示。当对
做出额外的假设时,这个不等式可以得到一些改进。
有关解释,请参见附录 b)。
离散热范数
[edit | edit source]
在偏微分方程的有限差分方法分析中,有必要使用能量和热范数等范数的离散模拟。
为了避免符号过于繁琐,当从讨论中可以清楚地看出索引所指代的内容时,会省略一些索引。当
是一个
维的复数向量时,有限差分算子被定义为导数的离散逼近或模拟。
由于初始条件或边界条件处理方式的差异,离散能量或热范数的最合适定义可能会有所不同。因此,为了这个原因,读者在需要时应该做出适当的调整,以便将相同的推理应用于另一个问题。
在定义能量或热范数的离散版本之前,需要定义和解释有限差分运算。这在有限差分算子部分中已完成。
下一个离散版本的上述不等式在用有限差分算子逼近二阶导数时,对估计误差具有重要的应用。
如果
那么
其中
一般情况下,以下低估成立。
参见附录 c) 的证明。
使用
增加 2 的 (3.7.3),可以改进对一般
的不等式。
如果
那么
并且
.
附录 a)
[编辑 | 编辑源代码]
当
时,以下不等式成立。
首先应用柯西-施瓦茨不等式。
,
接下来观察右侧的积分随着
的增加而增加。
对不等式进行积分,进行约简,并重新应用第一个不等式。
.
.
.
再次积分后,不等式得到了改进。
.
。
现在,假设以下不等式对于某个
成立。
将上述不等式代入下一个
.
可以得到以下观察。
。
。
。
。
.
重复此迭代会产生一个序列 ![{\displaystyle \alpha _{n+1}\;=\;{\sqrt[{4}]{2\,\alpha _{n}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/babece405886d1c44310f31d7c254424515a8601)
该序列收敛于
, 即方程
的解。
所以
![{\displaystyle {\sqrt {\int _{a}^{x}\,y^{2}(t)\,dt}}\;\leq \;{\sqrt[{3}]{\,2}}\,(x-a)\,{\sqrt {\int _{a}^{x}\,(y^{\,\prime })^{2}(t)\,dt}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e025299fab0de89e2720b3c2aaa6a7f84f9ef0d5)
并且
.
对于
,
.
处理部分 
,

.
.
.
与之前推导类似,这个不等式可以进一步加强为
.
.
.
将两个主要计算的结果加起来
.
附录 b)
[edit | edit source]
当
时,以下不等式成立。
假设条件是
可以用三角多项式来近似
.
使得
也被多项式导数逼近
也就是说,给定
, 存在一个三角正弦多项式
, 使得
以及
.
现在,

以及
.
因此,很容易看出
.
在本例中,不等式是严格的,因为它对
成立。
由于
,
以及
,
对于
和
,该不等式成立。
附录 c)
[edit | edit source]
如果
那么
其中
一般情况下,以下低估成立。
1 和 2 的情况很简单。
并且
当
时,等式成立。
为了证明一般的低估,可以采取以下步骤。
使用
并结合柯西-施瓦茨不等式和不等式 ()。
| |
所以对于
,
并且
.
将以上不等式代入(1)
.
所以对于
,
并使用公式()后
.
使用
和近似相同的程序,可以估计求和的右端。
所以对于
,
,
,
并且
.
所以对于
,
,
.
将这两个结果结合起来
.
当
为奇数时,使用
,这样不等式就变成了
.
当
是 *偶数* 时,使用
使得不等式变为
.
[编辑 | 编辑源代码]
洛必达法则这个规则的名字来自一位法国数学老师,他发表了这个规则但没有给出证明,因为他认为,如果你不能自己证明它,那你就需要去看医生。 该规则指出:
如果
并且
,那么
.
莱布尼茨法则这个规则说明了如何对两个函数的乘积进行 n 次微分。
求前
个整数的幂之和的公式,有多种方法。其中最方便的一种方法如下。从几何公式开始。
根据约定
.
将莱布尼茨法则应用于等价恒等式的右边
对两边进行
次求导。
注意到右边和式中只有前两项非零
.
现在取
的极限来建立公式
.
从逐项微分得到。
并且
.
更一般地
.
因此
.
通过设置
,得到一系列公式。
.
.
并且
.
调整求和指标并增加
后,该级数具有以下形式:
.
令 
.
这个公式叫做 分部求和 ,是 分部积分 的离散模拟。通过观察可以简单地验证。
微积分基本定理 的一个表述形式为
对于
,有
.
另一个规则略微推广了微积分基本定理,它表明
.
以下简单的不等式可用于估计乘积之和的界限。
并且
,
所以
.
令
以及
.
特殊情况,当
时,我们有
.
保存草稿
[编辑 | 编辑源代码]
现在,假设对于某些 
因此,对于 
zzzzzzzzzz
因此,对于 
xxxxxxxxxxxxxxxx 