Capturing solution near the singular point of any nonlinear SBVPs is challenging because coefficients involved in the differential equation blow up near singularities. In this article, we aim to construct a general method based on orthogonal polynomials as wavelets. We discuss multiresolution analysis for wavelets generated by orthogonal polynomials, e.g., Hermite, Legendre, Chebyshev, Laguerre, and Gegenbauer. Then we use these wavelets for solving nonlinear SBVPs. These wavelets can deal with singularities easily and efficiently. To deal with the nonlinearity, we use both Newton's quasilinearization and the Newton-Raphson method. To show the importance and accuracy of the proposed methods, we solve the Lane-Emden type of problems and compare the computed solutions with the known solutions. As the resolution is increased the computed solutions converge to exact solutions or known solutions. We observe that the proposed technique performs well on a class of Lane-Emden type BVPs. As the paper deals with singularity, non-linearity significantly and different wavelets are used to compare the results.


翻译:在任何非线性 SBVPs 的单点附近获取解决方案具有挑战性, 因为差异方程中涉及的系数会爆炸接近奇点。 在本条中, 我们的目标是构建一个基于正向多线性作为波子的一般方法。 我们讨论对正向多线性多线性生成的波子进行多分辨率分析, 例如Hermite、 Tullere、 Cheyshev、 Laguerre 和 Gegenbauer。 然后我们用这些波子解决非线性 SBVPs。 这些波子可以轻而高效地处理奇点。 为了处理非线性, 我们使用牛顿的准线性法和牛顿- Raphson 方法。 为了显示拟议方法的重要性和准确性, 我们解决了单向型问题, 并将计算出来的解决方案与已知的解决方案进行比较。 决议增加了计算解决方案与精确解决方案或已知解决方案的趋同。 我们观察到, 拟议的技术可以在 Lane- Emden 类型 BVPs 上很好地表现 。 因为纸质性交易结果与 。

0
下载
关闭预览

相关内容

GANs最新进展,30页ppt,GANs: the story so far
专知会员服务
42+阅读 · 2020年8月2日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
《AutoML:方法,系统,挑战》新书免费下载
新智元
24+阅读 · 2019年5月28日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年11月9日
VIP会员
相关资讯
《AutoML:方法,系统,挑战》新书免费下载
新智元
24+阅读 · 2019年5月28日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员