QUICK REVIEW
[论文解读] Superconvergence Points of Spectral Interpolation
Zhimin Zhang|arXiv (Cornell University)|Apr 26, 2012
Advanced Numerical Methods in Computational Mathematics参考文献 33被引用 6
一句话总结
本文通过使用切比雪夫多项式和勒让德多项式,识别出谱插值中的超收敛点,表明在特定节点处导数近似值的收敛速度超过全局收敛率——例如,一阶导数在切比雪夫-U多项式的零点处超收敛,而当插值导数时,函数值在$T_{N-1}$的根处超收敛。主要贡献在于为高阶多项式插值中的超收敛建立了分析条件,使在选定点处的精度超越全局收敛率。
ABSTRACT
In this work, we study superconvergence properties for some high-order orthogonal polynomial interpolations.The results are two-folds: When interpolating function values, we identify those points where the first and second derivatives of the interpolant converge faster;When interpolating the first derivative,we locate those points where the function value of the interpolant superconverges. For the earlier case, we use various Chebyshev polynomials; and for the later case,we also include the counterpart Legendre polynomials.
研究动机与目标
- 在$[-1,1]$中确定谱插值中导数近似值收敛速度超过全局速率的点。
- 将超收敛分析从$h$-版本有限元方法扩展到$p$-版本谱方法和谱 collocation 方法。
- 确定当插值导数时,函数值近似值超收敛的点。
- 利用正交多项式(特别是切比雪夫和勒让德类型)提供超收敛的分析条件。
- 为谱方法和$p$-版本方法中的自适应方法与后验误差估计奠定基础。
提出的方法
- 分析使用第一类切比雪夫多项式($T_N$)、第二类切比雪夫多项式($U_N$)及其相关节点集(勒让德-洛巴托和勒让德-拉多伊)对解析函数的插值。
- 通过求解涉及$N$和$\theta_k$的三角方程,推导一阶和二阶导数超收敛的条件。
- 利用正交多项式恒等式和积分表示,将误差表达为$T_N$、$U_N$及其组合的形式。
- 应用渐近分析表明,误差大小由主导项决定,而该主导项在超收敛点处消失。
- 通过在具有已知奇点的解析函数(包括龙格函数和$(2-x)^{-1}$)上的数值实验验证理论结果。
- 比较不同节点分布下的收敛行为:切比雪夫根、切比雪夫-洛巴托点和切比雪夫-拉多伊点。
实验结果
研究问题
- RQ1切比雪夫插值的导数在哪些点处发生超收敛?
- RQ2当插值导数时,插值函数值在何处发生超收敛?
- RQ3切比雪夫多项式的超收敛点与勒让德多项式的超收敛点相比如何?
- RQ4能否推导出分析误差表达式,通过主导项相消来识别超收敛?
- RQ5超收敛点的位置与相关正交多项式根之间存在何种关系?
主要发现
- 对于在$T_{N+1}$零点处的切比雪夫插值,一阶导数在$U_N$的零点处超收敛,位置为$\cos(k\pi/(N+1))$,其中$k=1,\dots,N$。
- 二阶导数的超收敛发生在满足$(N+1)\cos(N+1)\theta\sin\theta = \sin(N+1)\theta\cos\theta$的点,对大$N$而言,该点接近$T_{N+1}$的内部根。
- 对于切比雪夫-洛巴托插值,一阶导数在满足$N\cos N\theta\sin\theta + \sin N\theta\cos\theta = 0$的点处超收敛,近似为$\theta_k \approx (2k-1)\pi/(2N)$。
- 二阶导数的超收敛发生在满足$(N^2-1)\sin N\theta\sin\theta = 2N\cos N\theta\cos\theta$的点,接近$\sin N\theta$的内部零点。
- 当在切比雪夫-洛巴托点处插值一阶导数时,函数值在内部第二类切比雪夫点处超收敛,与理论误差界一致。
- 数值测试表明,超收敛点处的误差比最大误差小一个数量级,验证了对龙格函数和$(2-x)^{-1}$的理论预测。
更好的研究,从现在开始
从阅读论文到最终审阅,大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成,并经人工编辑审核。