基于B样条插值与拟插值的加权近似采样恢复与积分方法

《Journal of Complexity》:Weighted approximate sampling recovery and integration based on B-spline interpolation and quasi-interpolation

【字体: 大 中 小 】 时间:2026年02月02日 来源:Journal of Complexity 1.7

编辑推荐:

  越南河内国立大学丁勇信息技术学院,越南河内市曹嘉区宣翠路144号 摘要 我们提出了在Freud加权Sobolev空间Wp,wr(R)中近似采样恢复和积分函数的新方法。采样恢复的误差以Freud加权Lebesgue空间Lq,w(R)的范数来衡量。具体而言,我们构建了等距、紧支集的

  越南河内国立大学丁勇信息技术学院,越南河内市曹嘉区宣翠路144号

摘要
我们提出了在Freud加权Sobolev空间Wp,wr(R)中近似采样恢复和积分函数的新方法。采样恢复的误差以Freud加权Lebesgue空间Lq,w(R)的范数来衡量。具体而言,我们构建了等距、紧支集的B样条拟插值和插值采样算法Qρ,m与Pρ,m,对于任意一对参数p,q∈[1,∞],这些算法在采样n宽度ρn(Wp,wr(R),Lq,w(R))方面具有渐近最优性,同时我们还证明了这些采样n宽度的精确收敛速率,此处Wp,wr(R)表示Wp,wr(R)中的单位球面。算法Qρ,m和Pρ,m分别基于截断缩放B样条拟插值和插值。此外,我们还证明了由Qρ,m和Pρ,m生成的等距求积法在Wp,wr(R)中对函数进行Freud加权数值积分时的渐近最优性和精确收敛速率。

引言
本文旨在基于等距、紧支集B样条插值和拟插值,构建线性采样算法,用于在平滑度为r∈N的加权Sobolev空间Wp,wr(R)中近似恢复单变量函数。函数的近似恢复是基于其有限个采样值,误差则用加权Lebesgue空间Lq,w(R)的范数来衡量。这里的w为Freud权重,参数p,q∈[1,∞]可取不同值。我们从该空间中单位球面Wp,wr(R)的采样n宽度角度探讨采样算法的最优性。同时,我们也关注基于B样条插值和拟插值的Wp,wr(R)中函数的数值积分及最优求积问题。

首先定义加权函数空间。设w(x):=wλ,a,b(x):=?i=1dw(xi),x∈Rd,表示d个形式为w(x):=wλ,a,b(x):=exp?(?a|x|λ+b),λ>1,a>0,b∈R的单变量Freud权重的张量积。权重w中最重要的参数是λ。参数b仅用于在特定标准化过程中产生权重w中的正常数,例如最常用的标准高斯权重。为简化表述,在不失一般性的前提下,我们假设b=0,从而确定权重w以及参数λ,a的值。设1≤q<∞,Ω为Rd中的Lebesgue可测子集。Lq,w(Ω)表示Ω上所有满足范数‖f‖Lq,w(Ω):=(∫Ω|f(x)w(x)|qdx)1/q有限的可测函数构成的加权Lebesgue空间。当q=∞时,定义空间L∞,w(Ω):=Cw(Ω),包含Ω上所有满足范数‖f‖L∞,w(Ω):=supx∈Ω?|f(x)w(x)|有限的连续函数。对于r∈N且1≤p≤∞,加权各向同性Sobolev空间Wp,wr,iso(Ω)定义为所有属于Lp,w(Ω)的函数f构成的赋范空间,且对于每个k∈N0d满足k1+?+kd≤r时,其弱偏导数Dkf也属于Lp,w(Ω)。此处后缀中的“iso”是为了将加权各向同性Sobolev空间的符号与作者先前工作中已使用的混合平滑度Sobolev空间Wp,wr(Ω)的符号区分开来。当d=1时,意味着导数f(r?1)是绝对连续的,且f(r)∈Lp,w(Ω)。这种情况下可省略“iso”一词。该空间中函数f的范数定义为‖f‖Wp,wr,iso(Ω):=(∑k1+?+kd≤r‖Dkf‖Lp,w(Ω)p)1/p。对于具有密度函数vg(x):=(2π)?d/2exp?(?|x|22/2)的标准d维高斯测度γ,常见的有理论及应用问题中使用的空间Lp(Ω;γ)和Wp,wr,iso(Ω;γ)。这些空间中(1.2)式给出的范数为‖f‖Lp(Ω;γ):=(∫Ω|f(x)|pγ(dx))1/p=(∫Ω|f(x)(vg)1/p(x)|pdx)1/p。因此,带有高斯测度的空间Lp(Ω;γ)和Wp,wr,iso(Ω;γ)可视为具有固定1≤p<∞且w:=(vg)1/p的高斯加权空间Lp,w(Ω)和Wp,wr,iso(Ω)。带有标准高斯测度的空间Lp(Ω;γ)和Wp,wr,iso(Ω;γ)可推广至任意正测度。设Ω?Rd为Lebesgue可测集,v为Ω上的非零非负Lebesgue可测函数。通过密度函数v在Ω上定义的测度记为μv,即对于Ω中的任意Lebesgue可测集A,有μv(A):=∫Av(x)dx。对于1≤p<∞,Lp(Ω;μv)表示Ω上所有满足范数‖f‖Lp(Ω;μv):=(∫Ω|f(x)|pμv(dx))1/p=(∫Ω|f(x)|pv(x)dx)1/p有限的Lebesgue可测函数构成的空间。对于r∈N,带有测度μv的Sobolev空间Wr,iso(Ω;μv)以及传统的Sobolev空间Wp,wr,iso(Ω)的定义方式与(1.3)相同,只是将Lp,w(Ω)替换为Lp(Ω;μ)和Lp(Ω)。接下来我们阐述最优线性采样恢复问题的设定。设X为Ω上函数构成的赋范空间。给定Ω中的样本点x1,…,xk,我们考虑通过形式为Skf:=∑i=1kf(xi)?i的线性采样算法(算子)Sk,基于这些样本值f(x1),…,f(xk)在Ω上近似恢复连续函数f,其中?1,…,?k为Ω上给定的函数。为方便起见,允许部分样本点xi重合。近似误差通过范数‖f?Skf‖X来衡量。用Sn表示所有形式为(1.4)且k≤n的线性采样算法Sk的集合。设F?X为Ω上的一组连续函数。为研究Sn中针对F的线性采样算法的最优性及其收敛速率,我们使用(线性)采样n宽度?n(F,X):=infSn∈Sn?supf∈F?‖f?Snf‖X。在数值积分方面,我们关注的是对于属于空间Wp,wr,iso(Ω)且1≤p≤∞的函数,近似计算加权积分∫Ωf(x)w(x)dx的问题。为此我们使用形式为Ikf:=∑i=1kλif(xi)的求积法(求积算子),其中x1,…,xk为积分节点,λ1,…,λk为积分权重。为方便起见,假设部分积分节点xi可能重合。需要注意的是,每一个属于Sn的采样算法Sk都能通过公式Ikf=∫ΩSkf(x)w(x)dx=∑i=1kλif(xi),结合积分权重λi:=∫Ω?i(x)w(x)dx,自然地生成一个属于In的求积法Ik。设F为Ω上的一组连续函数。用In表示所有形式为(1.6)且k≤n的求积法Ik的集合。对于F中的函数f,In中求积法的最优性通过Intn(F):=infIn∈In?supf∈F?|∫Ωf(x)w(x)dx?Inf|来衡量。在本文中,我们主要关注d=1的一维情况下Rd上函数的采样恢复与数值积分问题,简要讨论d>1的多维情况。采样恢复与数值积分是逼近理论与数值分析中的基础问题,相关论文数量众多,难以一一列举。详细综述与参考文献可参见[12]、[37]、[38]、[42]。B样条拟插值具有良好的局部性质和逼近特性(参见[4]、[15]、[17]),已被用于无权重下的采样恢复与数值积分[5]、[8]、[9]、[43](相关综述与参考文献也可参见[7]、[12])。在这些论文中,作者们基于B样条拟插值构建了高效的采样算法与求积法,用于Sobolev空间和Besov空间中函数的近似恢复与数值积分,并证明了它们的收敛速率。最优性是通过这些空间中单位球面的采样n宽度?n(F,X)以及最优积分Intn(F)的数量来研究的。还有大量论文致力于高斯加权或更一般的Freud加权插值与采样恢复问题[10]、[11]、[25]、[26]、[29]、[32]、[33]、[35]、[39]、[40]、[41],以及相关的求积与数值积分问题[6]、[11]、[16]、[18]、[25]、[26]、[27]、[28]、[30]、[23]、[34]。本文也与Freud加权多项式逼近有关,尤其是Freud加权多项式插值与求积。关于这一研究方向的综述与参考文献,可参阅书籍和专著[29]、[31]、[36]。在R上基于权重w2的正交多项式的Freud加权拉格朗日多项式插值,以及基于这些正交多项式零点的相应高斯求积法,对于在Cw(R)中及其加权积分的函数逼近效率不高[41]、[16, Proposition 1]。为解决这些问题,有人提出截断这些零点的序列,并利用Mhaskar-Rakhmanov-Saff点±am来构造多项式插值[33]、[35]、[39]、[41]以及求积法[16]、[34],以实现高效逼近。在[33]和[16]中研究的多项式插值与求积的最优性,已在[10]和[6]中针对某些特定情况得到验证。在之前关于一维高斯加权与Freud加权插值与求积的研究中,作者们使用了基于权重w2的正交多项式的零点,或是对其部分修改后的零点作为插值与求积节点(参见[6]、[10]、[16]、[23]、[29]、[30]、[32]、[33]、[34]、[35]、[39]、[40]、[41])。这需要较为精确地计算这些非等距零点及其对应点处函数的值。此外,那些方法并不能为Sobolev空间Wp,wr(R)中的函数,尤其是在重要情形下p=1,∞时,提供最优的采样恢复算法与求积法。在本文中,我们通过提出新的方法来克服这些缺陷,即利用等距的采样节点与求积节点构建B样条插值、拟插值及求积法,以实现光滑函数的最优加权采样恢复与数值积分,这类节点与所用的B样条更为简单易算,因为它们可以轻松明确地构造出来,而且实际的B样条计算方法也已十分成熟(详情见备注2.3)。此外,B样条在理论学科与应用学科中都是强大的工具,包括逼近理论与计算数学领域。关于该主题的综述及丰富参考文献,可参见[4]、[12]、[13]、[14]、[15]。设p,q∈[1,∞]为任意一对参数。我们构建了紧支集的等距拟插值与插值采样算法Qρ,m和Pρ,m(定义分别见(2.10)和(2.36)),它们在ρn(Wp,wr(R),Lq,w(R))方面具有渐近最优性。这些算法基于截断缩放基数B样条拟插值以及偶数阶2?的相关B样条插值,由在某些等距点处的2(m+?+j0)?1个样本函数值构成,其中j0是与B样条拟插值相关的常数非负整数。我们证明了由Qρ,m和Pρ,m通过公式(1.7)生成的等距求积法Iρ,mQ和Iρ,mP,在Intn(Wp,wr(R))方面具有渐近最优性。我们计算了ρn(Wp,wr(R),Lq,w(R))和Intn(Wp,wr(R))的精确收敛速率。此外,我们还证明了缩放基数B样条的一些Marcinkiewicz- Nikol'skii型及Bernstein型不等式,这些不等式在证明算法Qρ,m和Pρ,m的最优性中起着关键作用。尤其,这些结果也适用于高斯加权空间Lp(R;γ)和Wpr(R;γ)。我们简要介绍本文的主要成果。在本文中,对于给定的p,q∈[1,∞]以及定义单变量权重w时的参数λ>1,我们使用以下符号:rλ:=r(1?1/λ);δλ,p,q:={(1?1/λ)(1/p?1/q)若p≤q,(1/λ)(1/q?1/p)若p>q;(约定1/∞:=0)},以及rλ,p,q:=rλ?δλ,p,q。设1≤p,q≤∞且rλ,p,q>0。对于任意n∈N,令m(n)为满足2(m+?+j0)?1≤n的最大整数。设采样算子Sn∈Sn为Qρ,m(n)或Pρ,m(n)中的某一个,则Sn在采样n宽度ρn(Wp,wr(R),Lq,w(R))方面具有渐近最优性,且?n(Wp,wr(R),Lq,w(R))?supf∈Wp,wr(R)?‖f?Snf‖Lq,w(R)?n?rλ,p,q(详情见定理3.4)。由于带有测度μw的函数空间Lp(R;μw)和Wpr(R;μw)分别与1≤p<∞时的Lp,w1/p(R)和Wp,w1/pr(R)相同,根据(1.8)可知,采样算法Sn在1≤p<∞、rλ>0时,对于采样n宽度ρn(Wpr(R;μw),Lp(R;μw))也具有渐近最优性,且?n(Wpr(R;μw),Lp(R;μw))?supf∈Wpr(R;μw)?‖f?Snf‖Lp(R;μw)?n?rλ;特别地,对于r>0的情况,Sn在高斯加权采样恢复方面,相对于采样n宽度ρn(Wpr(R;γ),Lp(R;γ))也具有渐近最优性,且?n(Wpr(R;γ),Lp(R;γ))?supf∈Wpr(R;γ)?‖f?Snf‖Lp(R;γ)?n?r/2。设1≤p≤∞且rλ?(1/λ)(1?1/p)>0。对于任意n∈N,令m(n)为满足2(m+?+j0)?1≤n的最大整数。设求积法In∈In为通过公式(1.7)由Qρ,m和Pρ,m分别生成的Iρ,m(n)Q或Iρ,m(n)P。则In在Intn(Wp,wr(R))方面具有渐近最优性,且Intn(Wp,wr(R))?supf∈Wp,wr(R)?|∫Rf(x)w(x)dx?Inf|?n?rλ+(1/λ)(1?1/p)对所有n∈N均成立(详情见定理4.1)。类似地,根据(1.9)可知,对于带有测度μw的函数空间Lp(R;μw)和Wpr(R;μw),求积法In在Intn(W1r(R;μw))以及Intn(W1r(R;γ))方面也具有渐近最优性,且当r>0时,Intn(W1r(R;μw))?supf∈W1r(R;μw)?|∫Rf(x)dμw(x)?Inf|?n?rλ,特别地,Intn(W1r(R;γ))?supf∈W1r(R;γ)?|∫Rf(x)dγ(x)?Inf|?n?r/2。近期,本文作者与其合作者发表了一系列关于R和Rd上加权采样恢复与数值积分的研究成果,这些成果与本文的研究主题直接相关。在此,我们对那些论文的结果进行评述,重点关注一维情况R,并将其与本文的主要发现进行对比。在论文[11]中,我们确定了当1≤q< />在最近的论文[21]中,我们将这些结果扩展到了密度函数w的测度μw,即公式(1.1)中的形式,其中λ>0为任意常数。在文献[6]中,我们证明了Intn(W1,wr(R))的精确收敛速率。在文献[10]中,我们证明了对于1< />1)。将这些结果推广并扩展到具有混合平滑性的多变量函数是非常有趣的,这个问题将在即将发表的论文中专门探讨。本文的结构如下:第2节中,我们分别构建了截断的紧支集B样条拟插值和插值算法,并证明了它们所实现的逼近的误差估计。第3节致力于从采样n宽度角度探讨采样算法的最优性问题。在3.1小节中,我们证明了关于R上的缩放基数B样条的一些Marcinkiewicz-、Nikol'skii-和Bernstein型不等式,这些不等式将在下一小节中用于证明B样条拟插值和插值算法的最优性。在3.2小节中,我们证明了从采样n宽度ρn(Wp,wr(R),Lq,w(R))的角度来看,B样条拟插值和插值算法的最优性,并计算了这些采样n宽度的精确收敛速率。第4节中,我们证明了由截断B样条拟插值和插值算法生成的等距求积在Intn(Wp,wr(R))方面是渐进最优的,并计算了Intn(Wp,wr(R))的精确收敛速率。第5节中,我们将前几节的所有结果推广到d>1的多维情况。符号说明:用x=:(x1,...,xd)表示x∈Rd。对于x,y∈Rd,不等式x≤y (x0,使得对于所有的n∈N、f∈W、k∈Zd,都有An(f,k)≤CBn(f,k),那么我们就写作An(f,k)?Bn(f,k)(n∈N在此处可省略),其相反含义则为An(f,k)?Bn(f,k);如果Sn(f,k)?Bn(f,k)且Bn(f,k)?Sn(f,k),则写作An(f,k)?Bn(f,k)。用|G|表示集合G的基数。对于巴拿赫空间X,用粗体字X表示X中的单位球面。章节摘要:B样条采样恢复:在本节中,我们构建了截断的等距、紧支集B样条拟插值和插值算法,并证明了它们所实现的逼近的误差界限。加权B样条不等式:在本小节中,我们证明了关于缩放基数B样条的一些加权Marcinkiewicz-、Nikol'skii-和Bernstein型不等式,这些不等式本身就很有趣,同时也将被用于在下一小节中证明B样条拟插值算子Qρ,m和插值算子Pρ,m的最优性。用Sρ,m, m>?表示Cw(R)中的子空间,它包含所有形如φ(x)=∑|s|≤m??bsMρ,m,s(x),?x∈R的B样条φ,其中Mρ,m,s(x):=M(hm?1x?s),这里hm的含义如公式(2.8)所示。数值积分:在本节中,我们证明了由截断B样条拟插值和插值算法生成的等距求积在Intn(Wp,wr(R))方面是渐进最优的,并计算了Intn(Wp,wr(R))的精确收敛速率。采样算子Qρ,m和Pρ,m可以通过公式(1.7)自然地生成加权求积算子Iρ,mQ和Iρ,mP:Iρ,mQf:=∫RQρ,mf(x)w(x)dx;Iρ,mPf:=∫RPρ,mf(x)w(x)dx。实际上,从定义上可以看出,Iρ,mQf多维推广:在本节中,我们将前几节的结果推广到d>1的多维情况,这种推广可以通过类似的思路并进行一定的修改来实现。设Q为如公式(2.2)所定义的一维B样条拟插值算子。我们为Rd上的函数f定义线性算子Qd,其表达式为Qdf(x):=∑s∈Zd∑|j|≤j0λ(j)f(s?j)M(x?s),?x∈Rd,其中j0:=(j0,...,j0),M(x):=∏i=1dM(xi),λ(j):=∏i=1dλ(ji),而|j|:=(|j1|,...,|jd|),这里的j属于Zd。算子Qd可以被看作是致谢:本研究得到了越南国家科学技术发展基金会(NAFOSTED)在NAFOSTED–SNSF联合研究项目下的资助,项目编号为IZVSZ2_229568。部分研究工作是在作者在越南高等数学研究院(VIASM)工作时完成的。他希望感谢VIASM提供了良好的研究环境和工作条件。作者还衷心感谢审稿人提出的宝贵意见和评论。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号