Файл: М.А. Тынкевич Система Matlab Справочное пособие к курсу Численные методы анализа.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 01.06.2024
Просмотров: 125
Скачиваний: 0
25
wilkinson(n) - матрица Уилкинсона (трехдиагональная симметрическая матрица n-го порядка, служащая тестом для алгоритмов решения проблемы собственных значений ; обычно берут n=21, где возникают кратные и близкие значения);
vander(X) – матрица Вандермонда (размерность совпадает с числом n элементов вектора Х Vij=xin-j):
» wilkinson(4) |
|
|
x= [1 2 3 5] |
|
|
|
|
ans = |
|
|
|
» vander(x) |
|
|
|
1.5000 |
1.0000 |
0 |
0 |
ans = 1 |
1 |
1 |
1 |
1.0000 |
0.5000 |
1.0000 |
0 |
8 |
4 |
2 |
1 |
0 |
1.0000 |
0.5000 |
1.0000 |
27 |
9 |
3 |
1 |
0 |
0 |
1.0000 |
1.5000 |
125 |
25 |
5 |
1 |
Ряд тестовых матриц упакован в специальный подкаталог, вызываемый командой :
[<выходные параметры>]= gallery(‘имя матрицы’, <входные параметры>)
К их числу относятся -
cauchy(X,Y), cauchy(X) – матрица Коши с элементами Cij=1/(xi+yj): при монотонно возрастающих последовательностях Х и Y матрица положительно определенная;
circul(Х) – циркулянтная матрица, получается из вектора Х построчно циклической перестановкой его элементов; если X скаляр, то берется вектор [1:X]; ее собственное значение равно скалярному произведениюХ и вектора [1 t t2 ... tn-1 ] , где t – корень n-й степени из –1:
» x=[1 2 3 5]; |
|
|
|
» gallery(‘circul’,[1 3 6 9]) |
|||
» y=[1 2 100 200]; |
|
|
ans = |
|
|
|
|
» gallery(‘cauchy’,x,y) |
|
|
1 |
3 |
6 |
9 |
|
ans = 0.5000 |
0.3333 |
0.0099 |
0.0050 |
9 |
1 |
3 |
6 |
0.3333 |
0.2500 |
0.0098 |
0.0050 |
6 |
9 |
1 |
3 |
0.2500 |
0.2000 |
0.0097 |
0.0049 |
3 |
6 |
9 |
1 |
0.1667 |
0.1429 |
0.0095 |
0.0049 |
|
|
|
|
clement(n,sym) – трехдиагональная n-мерная матрица Клемента с нулями на главной диагонали с собственными значениями из последовательности [n1, n-3 ,n-5...] c плюсом и минусом (при нечетном n добавляется 0 или 1); sym=1 определяет симметричность матрицы:
»gallery(‘clement’,4) |
» gallery(‘clement’,4,1) |
» gallery(‘clement’,3,1) |
|||||||||
ans = |
|
|
|
|
ans = |
|
|
|
ans = |
|
|
0 |
1 |
0 |
0 |
|
0 |
1.7320 |
0 |
0 |
0 |
1.4142 |
0 |
3 |
0 |
2 |
0 |
|
1.7320 |
0 |
2.0000 |
0 |
1.4142 |
0 |
1.4142 |
0 |
2 |
0 |
3 |
|
0 |
2.0000 |
0 |
1.7320 |
0 |
1.4142 |
0 |
0 |
0 |
1 |
0 |
|
0 |
0 |
1.7320 |
0 |
» eig(ans) |
|
|
» eig(ans) |
|
|
|
» eig(ans) |
|
|
ans = 2 0 -2 |
|
|||
ans = |
3 |
-3 |
1 |
-1 |
ans = |
3 -3 |
1 -1 |
|
|
|
26
Кроме упомянутых в подкаталог входят еще свыше 40 тестовых матриц, связанных с проблемой собственных значений, обращением, полиномами Чебышева и др.
8. Анализ и обработка данных
8.1. Обработка статистических данных
Никакой анализ статистических данных не может обойтись без предварительной их обработки:
max (A) , min(A) – поиск экстремальных элементов по столбцам массива А;
max(A,B) , min(A,B) – формирование массива с элементами, равными экстремальным из соответствующих элементов массивов;
max(A,[],dim) , min(A,[],dim) – вектор экстремальных элемен-
тов по измерению dim;
[C,I]=max(...) , [C,I]=min(...) - дополнительно выводится строка индексов экстремальных элементов;
median(X) , median (X,dim) – медианы массива; mean(X) , mean (X,dim) –средние значения;
std(X) , std(X,flag) , std(X,flag,dim) – стандартное отклонение
(flag=0 –несмещенная оценка σ ; flag=1 – смещенная оценка s):
|
|
n |
|
n |
σ = |
1 |
∑( xi − x )2 ; s = |
1 |
∑( xi − x )2 ; |
|
n−1 i=1 |
n i=1 |
cov(X, Y) , cov(X,Y, flag) – ковариация для для массивов Х и Y (каждый столбец – переменная, строка – наблюдение)
covij ( X ,Y ) = 1f XiTYj , f=n или n-1;
cov(X) , cov(X,flag) – ковариация для столбцов массива Х ; corrcoef (X) , corrcoef (X,Y) –коэффициенты корреляции:
Rij = |
covij |
|
|
. |
|
|
||
|
covii cov jj |
8.2. Численное дифференцирование
Как известно, численное дифференцирование строится на использовании аппарата конечных разностей и соответствующего многообразия аппроксимаций. Здесь полезны функции:
diff(X), diff(X, n), diff(X, n, dim) – вычисление конечных раз-
ностей (первых, n-го порядка или по указанному измерению); если Х
|
|
|
27 |
|
|
–массив, берутся разности между столбцами: |
|
||||
» F= |
[ 0 |
0.0998 |
0.1987 |
0.2955 |
0.3894 0.4794] |
» D=diff(F) |
|
|
|
|
|
D = |
0.0998 |
0.0988 |
0.0969 |
0.0939 |
0.0900 |
» D2=diff(F,2) |
|
|
|
|
|
D2 = |
-0.0010 |
-0.0020 |
-0.0030 |
-0.0039 |
|
Для задач оптимизации градиентными методами полезны функ-
ции:
gradient(F), gradient(F,h), gradient(F,h1,h2,...) –приближенная оценка градиента функции n переменных с автоматическим выбором шага или с указанным шагом (одинаковым или разным по перемен-
ным): |
|
|
» [x,y]=meshgrid(-2:0.2:2, -2:0.2:2); |
% |
выбор сетки узлов |
» z=x.*exp(-x.^2-y.^2); |
% вычисление значений на сетке |
|
» [px,py]=gradient(z,.2,.2); |
% |
поиск градиента в узлах сетки |
» contour(z), hold on,quiver(px,py), hold off % рис.8.1
20 |
|
|
|
|
|
|
|
|
|
18 |
|
|
|
|
|
|
|
|
|
16 |
|
|
|
|
|
|
|
|
|
14 |
|
|
|
|
|
|
|
|
|
12 |
|
|
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
|
|
8 |
|
|
|
|
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
18 |
20 |
|
|
|
|
Рис. 8.1 |
|
|
|
|
0.25 |
|
|
|
|
|
|
|
|
|
|
0.2 |
|
|
|
|
|
|
|
|
|
|
0.15 |
|
|
|
|
|
|
|
|
|
|
0.1 |
|
|
|
|
|
|
|
|
|
|
0.05 |
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
-0.05 |
0.05 |
0.1 |
0.15 |
0.2 |
0.25 |
0.3 |
0.35 |
0.4 |
0.45 |
0.5 |
0 |
||||||||||
|
|
|
|
Рис. 8.2 |
|
|
|
|
8.3. Аппроксимация и интерполяция
polifit(X,Y,n) – аппроксимация функции Y=Y(X) полиномом n-й степени:
»X=0:0.1:0.5;
»F=X.*sin(X);
»P=polyfit(X,F,1)
P = 0.4814 |
-0.0314 |
% P(x)= 0.4814 x -0.0314 |
|
» FF=polyval(P,X) |
|
|
|
FF = -0.0314 |
0.0168 |
0.0649 0.1130 0.1612 0.2093 |
|
» plot(X,F,’ob’, X,FF,’-g’),grid,axis([0 0.5 -0.05 0.25]) |
% рис.8.2 |
interpft(Y,n,dim) -аппроксимация периодической функции на основе быстрого преобразования Фурье (Y – одномерный массив
|
|
|
|
|
|
|
|
|
|
28 |
|
|
|
|
0.9 |
|
|
|
|
|
|
|
|
|
значений функции; n – число узлов в |
||||
|
|
|
|
|
|
|
|
|
|
|||||
0.8 |
|
|
|
|
|
|
|
|
|
массиве значений): |
|
|
|
|
0.7 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
» X=0:10; |
|
|
|
|
|
0.6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.5 |
|
|
|
|
|
|
|
|
|
» Y=sin(X).^2.*exp(-0.1.*X); |
|
|||
|
|
|
|
|
|
|
|
|
|
|
||||
0.4 |
|
|
|
|
|
|
|
|
|
» YP=interpft(Y,21); |
|
|
||
0.3 |
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
» xp=0:0.5:10; |
|
|
|
||
0.2 |
|
|
|
|
|
|
|
|
|
|
|
|
||
0.1 |
|
|
|
|
|
|
|
|
|
» plot(X,Y,’ob’, xp,YP) % Рис. 8.3 |
|
|||
|
|
|
|
|
|
|
|
|
|
|
||||
0 |
|
|
|
|
|
|
|
|
|
Заметим, |
что |
в |
библиотеке |
|
-0.1 |
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
имеется богатый ассортимент средств |
|||||
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 10 |
|||||
|
|
|
|
Рис. 8.3 |
|
|
|
для преобразования Фурье. |
|
|||||
|
spline(X,Y,Z) – интерполяция Y=Y(X) кубическим сплайном и |
|||||||||||||
вывод соответствующих значений в точках Z. Для получения боль- |
||||||||||||||
шей информации используется конструкция pp=spline(X,Y): здесь |
||||||||||||||
командой V=ppval(pp,Z) можно найти значения в точках Z, a коман- |
||||||||||||||
дой [Xs, Coef, m,L]=unmkpp(pp) получить данные о векторе разбие- |
||||||||||||||
ний |
|
аргумента |
|
|
Xs, |
коэффициентах |
Coef, |
|
m=length(Xs), |
|||||
L=length(Coef)/m . |
|
|
|
|
|
|
|
|
|
|||||
|
interp1(X,Y,Z), interp1(X,Y,Z,’method’) – одномерная таблич- |
|||||||||||||
ная интерполяция (если Y двумерный массив, интерполяция ведется |
||||||||||||||
по каждому столбцу; значения Z должны входить в диапазон значе- |
||||||||||||||
ний Х). Можно указать метод |
интерполяции – кусочно-линейной |
|||||||||||||
(linear, по умолчанию), ступенчатой (nearest), кубической (cubic), ку- |
||||||||||||||
бическими сплайнами (spline). Функция interp1q(X,Y,Z) реализует |
||||||||||||||
быструю линейную интерполяцию на неравномерной сетке. |
|
|||||||||||||
|
interp2(X1,X2,Y,Z1,Z2), |
interp1(X1,X2,Y,Z1,Z2,’method’) |
– |
|||||||||||
двумерная табличная интерполяция Y=Y(X1,X2), аргументы должны |
Рис. 8.4
29
меняться монотонно и заданы в формате функции meshgrid.
» [X1,X2]=meshgrid(-1:0.1:1); |
|
» Y=exp(-X1.^2-X2.^2).*(1+X1+X2); |
|
» [Z1,Z2]=meshgrid(-1:0.05:1); |
|
» Y2=interp2(X1,X2,Y,Z1,Z2); |
|
» mesh(X1,X2,Y),hold on,mesh(Z1,Z2,Y2+2),hold off |
% Рис. 8.4 |
interp3(X1,X2,X3,Y,Z1,Z2,Z3), interp3(..., ’method’) – трехмер-
ная табличная интерполяция Y=Y(X1,X2,X3); interpn(X1,X2,...,Y,Z1,Z2,...), interp3(..., ’method’) – многомер-
ная табличная интерполяция Y=Y(X1,X2,...); griddata(X1,X2,Y,Z1,Z2), griddata(X1,X2,Y,Z1,Z2, ’method’) -
двумерная табличная интерполяция на неравномерной сетке.
8.4. Численное интегрирование
polyarea (X,Y), polyarea (X,Y, dim) -площадь многоугольника с координатами вершин (X,Y):
» polyarea ([1 2 3 4 5],[0 3 6 3 0]) ans = 12
trapz(X,Y), trapz(X,Y, dim) – вычисление интеграла по формуле трапеций ; функции cumtrapz(X,Y), cumtrapz(X,Y, dim) вычисляют к тому же промежуточные результаты;
quad(‘имя’, a,b), quad(‘имя’, a,b, eps), quad(‘имя’, a,b, eps, trace), quad(‘имя’, a,b, eps, trace,P1,P2,...), quad8(...) - вычисление определенного интеграла: a,b – пределы интегрирования; eps – относительная погрешность (по умолчанию 10-3); trace –построение точечного графика функции; ‘имя’ – имя подинтегральной функции (встроенной или М-файла); P1,P2,... – передаваемые параметры функции; quad использует квадратуру Симпсона, quad8 – НьютонаКотеса 8-го порядка). Используется рекурсия до глубины 10 и может появиться сообщение – подозрение о сингулярности функции (наличии особенностей).
function f=integr(x) |
0.4 |
|
|
f=x.*exp(-x); |
0.35 |
|
|
» quad(‘integr’,0,2, 1e-5,1) |
0.3 |
|
|
ans = 0.5940 |
0.25 |
|
|
dblquad(‘имя’, a1,b1, a2,b2), |
0.2 |
|
|
dblquad(‘имя’, a1,b1, a2,b2, eps), |
0.15 |
|
|
dblquad(‘имя’, a1,b1, a2,b2, eps, <ме- |
0.1 |
|
|
тод>) - вычисление двойного интегра- |
0.05 |
|
|
ла от функции <имя>(Х1,X2) ; <ме- |
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 |
||
|
0 |
|
|
тод> - quad или quad8. |
Рис. 8.5 |
|