This paper considers a numeric algorithm to solve the equation \begin{align*} y(t)=f(t)+\int^t_0 g(t-\tau)y(\tau)\,d\tau \end{align*} with a kernel $g$ and input $f$ for $y$. In some applications we have a smooth integrable kernel but the input $f$ could be a generalised function, which could involve the Dirac distribution. We call the case when $f=\delta$, the Dirac distribution centred at 0, the fundamental solution $E$, and show that $E=\delta+h$ where $h$ is integrable and solve \begin{align*} h(t)=g(t)+\int^t_0 g(t-\tau)h(\tau)\,d\tau \end{align*} The solution of the general case is then \begin{align*} y(t)=f(t)+(h*f)(t) \end{align*} which involves the convolution of $h$ and $f$. We can approximate $g$ to desired accuracy with piecewise constant kernel for which the solution $h$ is known explicitly. We supply an algorithm for the solution of the integral equation with specified accuracy.


翻译:本文考虑一个数值算法来解决公式\ begin{ align} y( t) y( t) y( t) =f( t)\\ int} int}t_ 0 g( t- tau) y( t- tau) y( t- tau) y( d\ tau)\ end{ ALign} 和 end $ 美元 。 在一些应用程序中,我们有一个平滑的内核内核( g$) 和输入 $ 美元 的数值算法 。 在有些应用程序中, 输入的 $( t)\ int_ t_ 0 g( t\ taau) h( tau)\\\ end{ dtau\\\ end{ dalign} =f( t) 以 0为核心的 美元 ( t) Dirac 分配, 基本解决方案是 $( t) delta$( t) 美元 和 美元( f) 美元( f) 美元( t) 美元( ) 美元) 等式内的内流 和( t( t) 美元) 等式 等式解决方案, 等式的内, 等式的内 等式的 等式的 等式解。

0
下载
关闭预览

相关内容

Integration:Integration, the VLSI Journal。 Explanation:集成,VLSI杂志。 Publisher:Elsevier。 SIT:http://dblp.uni-trier.de/db/journals/integration/
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Diganta Misra等人提出新激活函数Mish,在一些任务上超越RuLU
专知会员服务
14+阅读 · 2019年10月15日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
LeetCode的C++ 11/Python3 题解及解释
专知
16+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
The Measure of Intelligence
Arxiv
6+阅读 · 2019年11月5日
Learning to Importance Sample in Primary Sample Space
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
LeetCode的C++ 11/Python3 题解及解释
专知
16+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员