ДИФФЕРЕНЦИРОВАНИЕ И ИНТЕГРИРОВАНИЕ В ФУНКЦИОНАЛЬНО-ВОКСЕЛЬНОМ МОДЕЛИРОВАНИИ

Обложка

Цитировать

Полный текст

Аннотация

Рассматривается способ простой генерации частных производных для многомерной функции на функционально-воксельных моделях (ФВ-моделях). Рассматривается общий принцип построения ФВ-модели, её дифференцирования и интегрирования на примере двумерной функции. Под интегрированием понимается получение локальных геометрических характеристик для первообразной локальной функции с дальнейшим решением задачи Коши при окончательном построении ФВ-модели. Алгоритм прямой и обратной задачи дифференцирования базируется на применении основных свойств локальных геометрических характеристик ФВ-моделирования и заложенного принципа линейной аппроксимации области задания алгебраической функции. Он позволяет посредством простых компьютерных вычислений получить искомый результат в виде ФВ-модели, пригодной к любым дальнейшим алгебраическим операциям. Рассматривается пример построения ФВ-модели сложной двумерной алгебраической функции. На основе такой модели получены ФВ-модели частных производных. На основе этих моделей и краевого условия в заданной точке получена исходная ФВ-модель сложной алгебраической функции. Подход применим для работы с алгебраическими функциями, заданными на области различных измерений.

Об авторах

А. В Толок

Институт проблем управления им. В.А. Трапезникова РАН

Автор, ответственный за переписку.
Email: tolok_61@mail.ru
г. Москва, Россия

Н. Б Толок

Институт проблем управления им. В.А. Трапезникова РАН

Email: nat_tolok@mail.ru
г. Москва, Россия

Список литературы

  1. Рысцов Д. Автоматическое дифференцирование // Abnormal programming, Mathematics. - М.: Habr LLC, 2009. http://habrahabr.ru/post/63055/
  2. Neidinger, R.D.Introduction to Automatic Differentiation and MATLAB Object-Oriented Programming // SIAM Review. - 2010. - Vol. 52, no. 3. - P. 545-563. doi: 10.1137/080743627
  3. Baydin, A.G., Pearlmutter, B.A., Radul, A.A., Siskind, J. Automatic Differentiation in Machine Learning: a Survey // Journal of Machine Learning Research. - 2018. - Vol. 18, art. no. 153. - P. 1--43.
  4. Ралл Л.Б. Автоматическая дифференциация: методы и приложения / Конспекты лекций по информатике. - 1981. - Т. 120. Springer. - 174 c. ISBN 978-3-540-10861-0.
  5. Conal, E. The Simple Essence of Automatic Differentiation // Proc. ACM Program. Lang. - 2018. - Vol. 2, iss. ICFP, art. no. 70. - P. 1-29. - DOI: https://doi.org/10.1145/3236765.
  6. Liao, H., Pearlmutter, B.A., Potluru, V.K., and Woodruff, D.P. Automatic Differentiation of Sketched Regression // Proceedings of the 23rdInternational Conference on Artificial Intelligence and Statistics (AISTATS). - Palermo, Italy, 2020. - PMLR, vol. 108. - P. 4367-4376.
  7. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы / 3-е изд., доп. и перераб. - М.: БИНОМ. Лаборатория знаний, 2004. - 636 с. ISBN 5-94774-175-X.
  8. Березин, И.С., Жидков Н.П. Методы вычислений. - 1962. - Т. I. 2-е изд., стереотипное. - М.: ГИФМЛ. - 464 c.
  9. Мысовских И.П. Лекции по методам вычислений. - М.: Наука. 1982. - 342 с.
  10. Толок А.В. Функционально-воксельный метод в компьютерном моделировании. - М.: Физматлит, 2016. - 112 с.
  11. Толок А.В. Локальная компьютерная геометрия. Учебное пособие. - М.: Ай Пи Ар Медиа, 2022. - 147 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».