版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、無網(wǎng)格方法作為近十年來迅速興起的一種數(shù)值分析方法,在構(gòu)造形函數(shù)時不需要網(wǎng)格,因此在處理不連續(xù)、大變形、移動邊界等問題時可以完全拋開網(wǎng)格重構(gòu),不僅可以保證計(jì)算的精度,而且可以減少計(jì)算難度。基于移動最小二乘近似(MLS)的無網(wǎng)格法有:無單元伽遼金法(EFG)、有限點(diǎn)法(FPM)、擴(kuò)散單元法(DEM)、局部邊界積分法(LBIE)、局部彼得洛夫一伽遼金無網(wǎng)格法(MLPG)、最小二乘配點(diǎn)無網(wǎng)格法(LSC)、加權(quán)最小二乘無網(wǎng)格法等。權(quán)函數(shù)的選取在M
2、LS近似中具有重要的作用,對計(jì)算結(jié)果影響很大,它的選取一般應(yīng)該滿足4個條件:非負(fù)性、緊支性、單調(diào)遞減性,光滑性。目前常見的權(quán)函數(shù)有:高斯型、指數(shù)型、樣條型以及徑向基函數(shù)等。作為一種指數(shù)型函數(shù),正態(tài)分布密度函數(shù)滿足通常的指數(shù)型函數(shù)所不能滿足的歸一性。由誤差理論可知,對于正態(tài)分布數(shù)據(jù),最小二乘估計(jì)具有最優(yōu)一致無偏和方差最小的特性,而將正態(tài)分布密度函數(shù)作為權(quán)函數(shù)能否適合計(jì)算,實(shí)現(xiàn)上述最小二乘法的特性并且提高解的精度正是本文所要探討的。本文中把
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 近似移動最小二乘(AMLS)方法及其應(yīng)用.pdf
- 基于改進(jìn)廣義移動最小二乘近似的EFG法及其應(yīng)用.pdf
- 改進(jìn)廣義移動最小二乘近似的無網(wǎng)格方法.pdf
- 1838.復(fù)變量移動最小二乘近似方法的誤差估計(jì)
- 最小二乘與最小二乘支撐向量機(jī).pdf
- 基于偏最小二乘的BP網(wǎng)絡(luò)模型及其應(yīng)用.pdf
- 應(yīng)用多面函數(shù)最小二乘推估法計(jì)算gps高程
- 改進(jìn)最小二乘支持向量機(jī)及其應(yīng)用.pdf
- 基于正交最小二乘的可調(diào)核函數(shù)多輸出回歸模型.pdf
- 基于移動最小二乘曲面多視數(shù)據(jù)對齊方法研究
- 基于移動最小二乘曲面多視數(shù)據(jù)對齊方法研究.pdf
- 不定最小二乘問題和近似因子模型的相關(guān)研究.pdf
- 總體最小二乘擬合推估方法及其應(yīng)用研究.pdf
- 偏最小二乘變量篩選法及其應(yīng)用研究.pdf
- 線性模型參數(shù)的最小二乘估計(jì)理論及其應(yīng)用.pdf
- 基于約束最小二乘的穩(wěn)健FIB設(shè)計(jì).pdf
- 基于KFCM的模糊最小二乘SVM研究.pdf
- 偏最小二乘算法及其在基于結(jié)構(gòu)風(fēng)險最小化的機(jī)器學(xué)習(xí)中的應(yīng)用.pdf
- 移動最小二乘法的快速算法及其應(yīng)用.pdf
- 基于移動最小二乘響應(yīng)曲面的注塑件工藝優(yōu)化.pdf
評論
0/150
提交評論