WedX - журнал о программировании и компьютерных науках

Численное интегрирование в Matlab без ввода векторов

Ниже приводится обобщение моей проблемы

function E = FunctionIntegration(S)
    I = @(f) log(det(4 * S(f))); 
    E = integral(I, -pi, pi)

S — это дескриптор функции, который принимает скалярный ввод f и возвращает матрицу. Когда я пытаюсь запустить эту функцию, я получаю ошибку Inner matrix dimensions must agree.

Я понимаю, что integral требует, чтобы функция I принимала векторный ввод, и именно в этом заключается проблема, но в этом случае я не вижу способа приспособиться к этому, поскольку я должен затем передать этот вектор функции S, которая возвращает матрицу. Есть ли способ обойти это?

Обратите внимание, что примером S может быть:

S = @(f) [f 0; 0 1]

Очевидно, что в этом случае интеграл легко сделать аналитически, но функция S может быть любым преобразованием скаляра в матрицу.

19.11.2013

  • Вы пытаетесь выполнить матричную интеграцию? Или вы пытаетесь применить integral по элементам? Если бы S был определен (или, по крайней мере, была дана простая версия), это сделало бы ваш код более работоспособным и понятным. 19.11.2013
  • Я не пытаюсь выполнить матричную интеграцию. Матрицы преобразуются в скаляр функцией det(). Я включил пример функции для S. 19.11.2013

Ответы:


1

Ваша проблема в том, что integral передает массив значений в I. Но ваш I ожидает только скаляр. Попробуй это:

function E = functionIntegration(S)
    I = @(x) arrayfun(@(f) log(det(4 * S(f))), x);
    E = integral(I, -pi, pi);
end

Я включил ваше подынтегральное выражение в вызов arrayfun, который будет перебирать массив, переданный integral, и вычислять подынтегральное выражение для каждой записи:

>> S = @(x) x * eye(3, 3);
>> functionIntegration(S)

ans =

  28.8591 + 9.8696i
19.11.2013
Новые материалы

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


Для любых предложений по сайту: [email protected]