Approximation der Lösungen von Differentialgleichungen mit Wavelets und Einstellung der Parameter
Von Books on Demand
()
Über dieses E-Book
Fortschrittes auf dem Gebiet der Computertechnologie ist man hier auf effiziente – aber auch gerade auf "robuste" – Verfahren angewiesen, die man auch auf steife oder instabile Probleme anwenden kann.
In diesem Buch geht es um die Approximation von Lösungen von Differentialgleichungen mit Hilfe von Waveletbasen. Dabei muss die Differentialgleichung nicht in expliziter Form
gegeben sein und es werden auch Differentialgleichungen höherer Ordnung, partielle Differentialgleichungen, wie auch Parameteridentifikationsprobleme betrachtet.
Im ersten Teil des Buches werden Überlegungen zum Einstellen der Parameter angestellt, auf deren Basis dann ein adaptiver Algorithmus zum Lösen von Differentialgleichungen konstruiert
wird. Dieser adaptive Algorithmus wurde im Rahmen eines Forschungsprojektes entwickelt.
Danach wird das Lösen diverser Differentialgleichungen mit dieser Methode beschrieben und es wird gezeigt, dass bei einigen "kritischen" Testproblemen dieser adaptive Algorithmus
stabiler als konventionelle Methoden ist (die u.a. in der Mathematica Funktion NDSolve implementiert wurden). Später wird aber auch auf die Approximation von Funktionen auf einem Kompaktum eingegangen, wo es einen Zusammenhang zur Fourieranalyse gibt.
Ähnlich wie Approximation der Lösungen von Differentialgleichungen mit Wavelets und Einstellung der Parameter
Ähnliche E-Books
Einstieg in die Datenanalyse mit SPSS Bewertung: 0 von 5 Sternen0 BewertungenStatistiken Crash-Kurs Bewertung: 0 von 5 Sternen0 BewertungenAutomatisiertes Testen: Testautomatisierung mit Geb und ScalaTest Bewertung: 0 von 5 Sternen0 BewertungenJetzt lerne ich analytische Geometrie für die Oberstufe: www.alles-Mathe.de Bewertung: 0 von 5 Sternen0 BewertungenEinfach Java: Gleich richtig programmieren lernen Bewertung: 0 von 5 Sternen0 BewertungenSensoren für Kraft, Druck, Drehmoment und Durchfluss: Kompendium Messtechnik und Sensorik, Teil 9 Bewertung: 5 von 5 Sternen5/5Programmierung in Visual Basic (VB): von der promanalyse zum programm Bewertung: 0 von 5 Sternen0 BewertungenSensoren für Dehnung, Abstand, Füllstand und Winkel: Kompendium Messtechnik und Sensorik, Teil 7 Bewertung: 5 von 5 Sternen5/5Einführung in die Programmierung mit Java: Begleitunterlagen zu dem Onlinekurs Bewertung: 0 von 5 Sternen0 BewertungenQuantenmechanik aus elementarer Sicht Buch 1 Bewertung: 0 von 5 Sternen0 BewertungenAnalysis verstehen: für Wirschaftswissenschaftler Bewertung: 0 von 5 Sternen0 BewertungenNeuronale Netze Bewertung: 0 von 5 Sternen0 Bewertungen3D-FRAKTALE: Stereoskopische Visualisierung von selbstähnlichen geometrischen Mustern Bewertung: 0 von 5 Sternen0 BewertungenMessen von Wechselgrößen: Kompendium Messtechnik und Sensorik, Teil 3 Bewertung: 5 von 5 Sternen5/5Übungen zu Vektoren und vektoriellen Räumen Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenC# 6.0 – kurz & gut Bewertung: 5 von 5 Sternen5/5Unternehmensbewertung: 360 Grundbegriffe kurz erklärt Bewertung: 0 von 5 Sternen0 Bewertungen3D-Druck | 66 DIY-Projekte: 66 tolle Modelle mit Funktion & Nutzen! Für Einsteiger und Fortgeschrittene (+ Slicing-Tipps) Bewertung: 0 von 5 Sternen0 BewertungenDienen - Leisten - Werte schaffen: Ein kurzweiliger Ratgeber für das Gestalten und Steuern von Dienstleistungen Bewertung: 5 von 5 Sternen5/5Fusion 360 | Konstruktionsprojekte Teil 1: 10 leichte bis mittelschwere CAD Konstruktionsprojekte für Fortgeschrittene Bewertung: 0 von 5 Sternen0 BewertungenErfolgreich Lastenhefte schreiben: Eine Schritt-für-Schritt-Anleitung für den Mittelstand Bewertung: 0 von 5 Sternen0 BewertungenAzure und IoT Bewertung: 0 von 5 Sternen0 BewertungenEinführung in Programmiersprachen Bewertung: 0 von 5 Sternen0 BewertungenWertstromdesign: Ein Leitfaden für die praktische Anwendung Bewertung: 0 von 5 Sternen0 BewertungenModerne Datenzugriffslösungen mit Entity Framework 6 Bewertung: 0 von 5 Sternen0 BewertungenSharePoint Kompendium - Bd. 16 Bewertung: 0 von 5 Sternen0 BewertungenDynamische Webseiten: Einstieg in HTML, PHP und MySQL Bewertung: 0 von 5 Sternen0 Bewertungen3D macht Druck Bewertung: 0 von 5 Sternen0 BewertungenPHP quick & dirty: 12 Praxis-Workshops für schnelles Programmieren Bewertung: 0 von 5 Sternen0 Bewertungen
Mathematik für Sie
Lexikon der Symbole und Archetypen für die Traumdeutung Bewertung: 5 von 5 Sternen5/5Mathematik verstehen Band 2: Grundlagen für das Studium naturwissenschaftlicher und technischer Fächer Bewertung: 0 von 5 Sternen0 BewertungenMathenglish - Das Übungsbuch für Mathe und Englisch: Lerne Mathe und Englisch gleichzeitig (5.-7.Klasse) Bewertung: 0 von 5 Sternen0 BewertungenDie Schönheit der Zahlen: Die Ordnung der Welt durch den menschlichen Geist Bewertung: 0 von 5 Sternen0 BewertungenRechnen und Textaufgaben - Gymnasium 6. Klasse Bewertung: 0 von 5 Sternen0 BewertungenVom 1x1 zum Glück: Warum wir Mathematik für das Leben brauchen Bewertung: 0 von 5 Sternen0 BewertungenTextaufgaben 2. Klasse: Sachaufgaben - Übungsprogramm mit Lösungen für die 2. Klasse Bewertung: 0 von 5 Sternen0 BewertungenMathe trainieren 2. Klasse Bewertung: 0 von 5 Sternen0 BewertungenFit zum Übertritt - Mathe 4. Klasse Bewertung: 0 von 5 Sternen0 BewertungenAnglizismen und andere "Fremdwords" deutsch erklärt: Über 1000 aktuelle Begriffe Bewertung: 0 von 5 Sternen0 BewertungenFilmverrückter und Serienjunkie: Stars, Filme und Serien Bewertung: 0 von 5 Sternen0 BewertungenMathe trainieren 1. Klasse Bewertung: 0 von 5 Sternen0 BewertungenQuer durch die 1. Klasse, Mathe und Deutsch - Übungsblock Bewertung: 0 von 5 Sternen0 BewertungenMathe trainieren 3. Klasse Bewertung: 0 von 5 Sternen0 BewertungenTextaufgaben 4. Klasse: Sachaufgaben - Übungsprogramm mit Lösungen für die 4. Klasse und Aufgaben für den Übertritt Bewertung: 0 von 5 Sternen0 BewertungenBegegnungen mit Euklid – Wie die »Elemente« die Welt veränderten Bewertung: 0 von 5 Sternen0 BewertungenQuer durch die 3. Klasse, Mathe und Deutsch - Übungsblock Bewertung: 0 von 5 Sternen0 BewertungenMein Übungsheft Rechnen - 1. Klasse Bewertung: 0 von 5 Sternen0 BewertungenAngewandteres zum Mathematischen der Zahlenmagie Bewertung: 0 von 5 Sternen0 BewertungenMathe trainieren 4. Klasse Bewertung: 0 von 5 Sternen0 BewertungenZahlentheorie Bewertung: 0 von 5 Sternen0 BewertungenMathe-Toolbox: Mathematische Notationen, Grundbegriffe und Beweismethoden Bewertung: 0 von 5 Sternen0 BewertungenEuro Millions - Das Buch der Lotto Geheimnisse: Entdecken Sie Strategien um ständig im Euro Millions zu gewinnen Bewertung: 4 von 5 Sternen4/5Aufgabensammlung für die Oberstufe zur Analysis Bewertung: 0 von 5 Sternen0 BewertungenDer Anfang der Unendlichkeit: Erklärungen, die die Welt verwandeln Bewertung: 0 von 5 Sternen0 BewertungenMein Übungsheft Rechnen - 3. Klasse Bewertung: 0 von 5 Sternen0 Bewertungen...Als die Noten laufen lernten...Band 2: Kabarett-Operette-Revue-Film-Exil. Unterhaltungsmusik bis 1945 Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Approximation der Lösungen von Differentialgleichungen mit Wavelets und Einstellung der Parameter
0 Bewertungen0 Rezensionen
Buchvorschau
Approximation der Lösungen von Differentialgleichungen mit Wavelets und Einstellung der Parameter - Books on Demand
2014
1 Vorwort
Die Modellierung physikalisch-technischer Fragestellungen führt oft zu numerischen Problemen, insbesondere zur numerischen Behandlung von Differentialgleichungen. Trotz des gewaltigen Fortschrittes auf dem Gebiet der Computertechnologie ist man hier auf effiziente - aber auch gerade auf „robuste" - Verfahren angewiesen, die man auch auf steife oder instabile Probleme anwenden kann.
Seit mehreren Jahren beschäftige ich mich mit der Approximation der Lösung von Differentialgleichungen mit Hilfe von Approximationsfunktionen, die über Vaterwavelets konstruiert werden. In den Jahren 2012 bis 2014 hatte ich hierzu ein Projekt geleitet, welches vom Zentrum für Forschung und Entwicklung (ZFE) der Hochschule Darmstadt finanziert wurde. Das Projekt trug im Jahr 2012 den Titel Bestimmung der Parameter beim numerischen Lösen von Differentialgleichungen mit einem Wavelet-Kollokationsverfahren
. Hier wurde von mir untersucht, wie man die verschiedenen Parameter, wie die Anzahl der Summanden bzw. der Basiselemente bei der Approximationsfunktion, die Anzahl der Stützstellen und auch den Parameter j, der Index des Raumes Vj der Multiskalenanalyse, dessen Basiselemente bei der Konstruktion der Approximationsfunktion verwendet werden, optimal
wählen kann. Dabei wurde keine Voraussetzung an den Typ der Differentialgleichung gestellt. Weiterhin wurden mehrere Abschätzungen hergeleitet und es ergaben sich auch weitere Resultate, die zunächst nicht anvisiert wurden, die aber bei den Untersuchungen und Simulationen aufgefallen waren.
Die Vorarbeit für dieses Projekt und für die Veröffentlichungen in den Jahren 2013 und 2014 zu diesem Thema umfasst aber deutlich mehr Jahre. Seit dem Jahr 2000 beschäftige ich mich mit diesem Gebiet und habe hierzu diverse Projekte und Diplomarbeiten angeboten und auch Fachbücher veröffentlicht (siehe [82], oder auch [83] mit einem Kapitel von mir zum Thema Wavelets).
Nach den ersten Simulationen wurde anstelle eines klassischen Kollokationsverfahrens ein Verfahren verwendet, das etwas allgemeiner ist, da hier die Quadratsumme der Residuen minimiert wird. D.h., anstatt ein Gleichungssystem zu lösen und die Residuen an bestimmten Stellen gleich Null zu setzen, wird die Quadratsumme der Residuen an den Kollokationsstellen (wir behalten hier die Bezeichnung bei) minimiert, so dass man bei der Anzahl der Kollokationsstellen nicht eingeschränkt ist. Für eine bestimmte Anzahl von Kollokationsstellen ist dieses Verfahren wiederum äquivalent zu einem klassischen Kollokationsverfahren und in vielen Beispielen ist dieser Fall mit eingeschlossen. Wir sprechen der Einfachheit halber im Folgenden von einer Wavelet-Kollokationsmethode.
Im Rahmen des Projektes wurden verschiedene Typen von Differentialgleichungen mit diesem Verfahren approximativ gelöst, denn diese Methode kann man auf diverse Typen von Differentialgleichungen anwenden. Es wurde hierbei ein Indikator (dieser wird später öfter das Kriterium genannt, siehe Definition 4-1 von Qa), der auf der Quadratsumme der Residuen basiert, gefunden, mit dem man erkennen kann, in wie weit einige gewählte Parameter des Verfahrens gut gesetzt wurden, wie die Anzahl der Stützstellen. Hier ergaben sich Zusammenhänge zwischen dem Approximationsfehler und dem Wert dieses Indikators in diversen Beispielen (wobei in den meisten Beispielen a = 2 gesetzt wurde). Dieser Indikator wird im 4. Kapitel näher untersucht. Auf der Basis dieses Indikators wurde ein adaptiver Algorithmus entwickelt, um die Parameter der Wavelet-Kollokationsmethode einzustellen (siehe Überlegungen dazu in Kapitel 4.2 bzw. 4.3 und den Algorithmus im Kapitel 4.4). Dieser wurde in ein Mathematica-Modul implementiert und getestet (siehe hierzu auch [V14]). Bei einigen Test-Differentialgleichungen lieferte dieser Algorithmus deutlich bessere Resultate als die Mathematica Funktion NDSolve, die auf diverse klassische (implizite und explizite) Methoden zurückgreift.
Für den Approximationsfehler konnten Abschätzungen mit Sätzen aus der numerischen Mathematik hergeleitet werden. Einige dieser Resultate wurden veröffentlicht (siehe Kapitel 16.2).
Es ergaben sich - neben den ursprünglich geplanten Forschungszielen - weitere Ergebnisse, wie beispielsweise jenes, dass man die Methode der Approximation bzw. die Wavelet-Kollokationsmethode auch zur Extrapolation verwenden kann. D.h., wenn man die Lösung einer Differentialgleichung beispielsweise mit dem Shannon-Wavelet auf einem Intervall approximiert hat, dann gibt es auch in einem größeren Bereich außerhalb des Approximationsintervalls nur relativ kleine Abweichungen zwischen der Approximationsfunktion und der exakten Lösung (siehe Kapitel 5.1.2 und Kapitel 15). Weitere Resultate ergaben sich beim Vergleich der Approximationen über die Wavelet-Kollokationsmethode mit denen der Orthogonalprojektion auf Vj (siehe Kapitel 10 und 13).
Eine ursprüngliche Idee von mir, bei der eine diskrete Wavelettransformation (DWT) zur Abschätzung der Verbesserung einer Lösung durchgeführt werden kann, wurde getestet (siehe Kapitel 4.2 und Kapitel 9). Da man aber mit dem Indikator eine Approximation relativ gut beurteilen kann, ist eine DWT nicht nötigt. Zudem müssen hier zusätzliche Voraussetzungen erfüllt sein.
Es konnten auch Parameter der Differentialgleichung (DGL) in den Beispielen aus der Reaktionskinetik (dies waren hier die Reaktionsgeschwindigkeiten) identifiziert (d.h. statistisch geschätzt) werden. Hier ergaben sich ebenfalls signifikante Zusammenhänge zwischen dem Wert des Kriteriums Qa und dem Fehler bei der Identifikation in den Beispielen. Bei der Parameteridentifikation wurde auch eine Schätzung in zwei Schritten durchgeführt, die bei vielen Problemen - beispielsweise in der Reaktionskinetik - mit relativ geringem Aufwand durchgeführt werden kann (siehe Kapitel 7.2 und [V5]).
Bei den Simulationen wurden gewöhnliche Differentialgleichungen erster und zweiter Ordnung verwendet, wie auch Systeme und Differential-Algebraische Gleichungen. Hier konnten mit der Wavelet-Kollokationsmethode sehr gute Ergebnisse erzielt werden. Ebenso bei partiellen Differentialgleichungen. Der entwickelte adaptive Algorithmus wurde auf gewöhnliche Differentialgleichungen angewendet, später aber auch auf partielle Differentialgleichungen. Dazu wurde eine Masterarbeit vergeben. In dieser Masterarbeit wurden Parameter (Rendite und Volatilität) der Black-Scholes Differentialgleichungen identifiziert bzw. geschätzt und es wurde auch die Schätzung in zwei Schritten angewendet.
Im Rahmen der Untersuchungen ergaben sich einige Vorteile bei der Wavelet-Kollokationsmethode:
Man erhält eine Funktion als Lösungsapproximation und nicht nur Punkte. Diese Funktion kann man auch (in gewissen Bereichen) zur Extrapolation verwenden. Man benötigt in der Regel auch keine stückweise definierte Funktion wie bei der Kollokation mit Polynomen.
Bei der Anpassung an Messwerte - im Rahmen einer Parameteridentifikation in zwei Schritten - muss man keinen Funktionstyp vorgeben, wie bei einer konventionellen Regression.
Die DGL muss nicht in der Form y´ = f(y, t) vorliegen, sondern kann auch implizit gegeben sein (F(y´, y, t) = 0). Es kann auch eine DGL höherer Ordnung vorliegen, ein Randwertproblem oder ein Differential-Algebraisches System oder eine partielle Differentialgleichung. Die Methode wurde auch auf Integralgleichungen angewendet (siehe [V11]).
Die Parameteridentifikation kann mit geringerem Aufwand durchgeführt werden, wenn genügend Messwerte vorhanden sind, denn man kann hier die Schätzung in zwei Schritten durchführen. Hier wurde zusätzlich eine Abschätzung hergeleitet (siehe [V5] und Kapitel 7.2). Man kann diese aber auch „in einem Schritt" durchführen.
Es ist auch eine Parameterschätzung bzw. Parameteridentifikation bei steifen Problemen möglich, sowie auch bei instabilen Problemen (siehe Beispiel von H.G. Bock, Kapitel 8.4).
Ein Nachteil ist der Aufwand, der sich aber allgemein bei impliziten Methoden ergibt, die aber bei steifen oder instabilen Problemen verwendet werden (müssen), wie auch bei Randwertproblemen.
Weiterhin ergab sich:
Insgesamt kann man mit dem Shannon-Wavelet gute Ergebnisse erzielen, auch wenn es keinen kompakten Träger besitzt. Hier kennt man auch gut die Bedeutung des Detailparameters j im Fourierraum, die sich über das Abtasttheorem von Shannon ergibt (siehe Kapitel 11). Man benötigt im Vergleich zu den Daubechies-Wavelets (Ordnung 5 bis 8) in den Beispielen mehr Koeffizienten, aber es wurde bei den Daubechies-Wavelets immer auch ein größerer Detailparameter j benötigt, was in der Hinsicht interessant ist, da die verwendeten Daubechies-Wavelets eine deutlich höhere Ordnung als das Shannon-Wavelet besitzen.
Mit dem Kriterium Qa konnte in den Beispielen gut erkannt werden, in wie weit die Approximation brauchbar
ist und bei Parameteridentifikationsproblemen, in wie weit die Schätzung gut war. Speziell ergab sich in diversen Simulationen sogar ein linearer Zusammenhang zwischen ln(Q2) und ln(sse) (wobei sse die Quadratsumme der Approximationsfehler ist). Das Kriterium Qa dient als Basis für den adaptiven Algorithmus und wurde auch theoretisch untersucht (im Kapitel 4.3). Bei dem Algorithmus kann man verschiedene Wavelets verwenden.
Eine wichtige Frage war auch die nach der Fehlerabschätzung bei der Approximation. Bei den Recherchen für diese Arbeit bzw. für das Forschungsprojekt wurde eine Reihe von Veröffentlichungen mit Fehlerabschätzung gefunden. Die meisten bezogen sich auf sogenannte interpolierende Wavelets. Bei vielen dieser Abschätzungen wird auch genau ein Typ von Differentialgleichung betrachtet (z.B. Randwertproblem 2. Ordnung), wie auch spezielle Wavelets. Eine Fehlerabschätzung für den Approximationsfehler in Abhängigkeit des Detailparameters j (und der Ordnung eines Wavelets) findet man in Kapitel 4.3, wobei beim Shannon-Wavelet ein direkter Bezug zum Fourierraum besteht (siehe auch Kapitel 11, 12 und [V15] und [V18]).
Es wurden Abschätzungen hergeleitet, die berücksichtigen, dass die Approximationsfunktion nicht über eine Orthogonalprojektion auf den Raum Vj berechnet wurde (L²- Approximation
), sondern über die Minimierung der Residuen. D.h., hier wird berücksichtigt, dass die Approximationsfunktion - wie bei den meisten Anwendungen in dieser Arbeit - über eine Differentialgleichung bestimmt wurde und nicht über eine Orthogonalprojektion, wie bei vielen Abschätzungen, die allgemein
aufgestellt wurden.
Hier gibt es einige Unterschiede, wenn man nur eine Approximation auf einem Kompaktum I bestimmt, was auch die auf Vj benötigt. Die Orthogonalprojektion (mit dem Shannon- oder mit einem Daubechies-Wavelet) verhält sich bei einem solchen Typ von Funktion wie die Teilsumme einer Fourier-Reihe