1) generalized moving least squares
广义移动最小二乘近似法
2) generalized moving least squares approximation
广义移动最小二乘近似
1.
However,the generalized moving least squares approximation makes require least squares approximation with regard to functional and its derivative value on all nodes.
而广义移动最小二乘近似要求近似函数及其导数在所有节点处的误差的平方和最小。
3) moving least-square approximation
移动最小二乘近似
1.
The meshless local Petrov-Galerkin(MLPG) method is extended to solve the symmetric laminates of(fiber-reinforced) composite materials using the moving least-square approximation to interpolate solution variables,and the equivalent integral weak form to the governing equation of Kirchhoff's anisotropic plates.
基于Kirchhoff均匀各向异性板控制方程的等效积分弱形式和对挠度函数采用移动最小二乘近似函数进行插值,进一步研究无网格局部Petrov-Galerkin方法在纤维增强对称层合板弯曲问题中的应用。
4) moving least square approximation
移动最小二乘近似
1.
Local integral equations were adopted for the nodes inside the domain and moving least square approximation(MLSA) for the nodes on the global boundary,thus singularities will not occur in the new algorithm.
为此,提出了对域内节点采用局部积分方程,而对边界节点直接采用移动最小二乘近似函数引入边界条件来解决奇异积分问题,这同时也解决了对积分边界进行插值引入近似误差的问题。
2.
In the Galerkin equation,shape function is constructed by moving least square approximation and boundary value condition is introduced by the method of displacement constraint equation.
用无网格Galerkin法求解两点边值问题,在Galerkin方程中,形函数用移动最小二乘近似构造,边值条件由位移约束方程法引入。
5) moving least square approximation
移动最小二乘近似函数
1.
It uses the moving least square approximation as a trial function,and uses the weighted function of the moving least square approximation as a test function of the weighted residual method.
这种方法采用移动最小二乘近似函数作为试函数,并且采用移动最小二乘近似函数的权函数作为加权残值法的加权函数;同时这种方法只包含中心在所考虑点处的规则局部区域上以及局部边界上的积分。
2.
The meshless local Petrov-Galerkin method is extended to solve the transient heat conduction based on the weighted residual method and the moving least square approximation used to interpolate solution variables.
基于加权余量法和采用移动最小二乘近似函数作为试函数,研究了无网格局部Petrov-Galerkin方法在瞬态热传导问题中的应用。
3.
It uses the moving least square approximation as a trial function, and uses the weighted function of the moving least square approximation as a test function of the weighted residual method.
这种方法采用移动最小二乘近似函数作为试函数,并且采用移动最小二乘近似函数的权函数作 为加权残值法加权函数;同时这种方法只包含中心在所考虑点处的规则局部区域上以及局部边 界上的积分;所得系统矩阵是一个带状稀疏矩阵,该方法可以容易推广到求解非线性问题以及 非均匀介质的力学问题。
6) moving least squares approximation
移动最小二乘近似
1.
A meshless method using the moving least squares approximation is improved and applied to the numerical computation of electromagnetic fields.
详细论述了移动最小二乘近似的基本原理和具体实施过程 ;采用拉格朗日乘子法处理第一类边界条件 ,应用跳跃函数法解决不同媒质交界面处解函数导数不连续等问题 ,从而基于修正的弱形式泛函的建立 ,导出了算法的离散数学模型。
2.
The moving least squares approximation makes only require least squares approximation with regard to functional value on all nodes.
移动最小二乘近似只要求近似函数在各节点处的误差的平方和最小,对近似函数导数的误差没有任何约束。
3.
In this paper, after introducing the meshless method simply, we derive the moving least squares approximation (MLS) in detail.
本文首先阐述了无网格方法的一般理论,然后详细推导了移动最小二乘近似(MLS)的构造过程。
补充资料:广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计,即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列:和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子;{ek}是误差序列,它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成,这里,它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法:先行固定C(z-1),估计A(z-1)和B(z-1),使J 趋于极小;然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代,直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算,迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高,已得到应用并获得不少成果。它的缺点在于:当信噪比较小时,J可能有多个局部极小点,估计结果不能保证收敛到全局最小点,即参数真值;它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统,并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时,这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著,张永光、袁震东译:《动态系统辨识:试验设计与数据分析》,科学出版社,北京,1983。(G.C.Goodwin and R.L.Payne,Dynamic System Identification:Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列:和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子;{ek}是误差序列,它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成,这里,它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法:先行固定C(z-1),估计A(z-1)和B(z-1),使J 趋于极小;然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代,直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算,迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高,已得到应用并获得不少成果。它的缺点在于:当信噪比较小时,J可能有多个局部极小点,估计结果不能保证收敛到全局最小点,即参数真值;它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统,并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时,这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著,张永光、袁震东译:《动态系统辨识:试验设计与数据分析》,科学出版社,北京,1983。(G.C.Goodwin and R.L.Payne,Dynamic System Identification:Experiment Design and Data Analysis, Academic Press, New York,1977.)
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条