3855

Інтерполяційна схема Ейткена

Лабораторная работа

Информатика, кибернетика и программирование

Інтерполяційна схема Ейткена Мета роботи:Засвоїти теоретичний матеріалі методи апроксимації функцій, набути практичні навики знаходження наближених значень функцій. Короткі теоретичні відомості На практиці зустрічаються випадки, коли потрібно ...

Украинкский

2012-11-09

324 KB

15 чел.

Інтерполяційна схема Ейткена

Мета роботи: Засвоїти теоретичний матеріалі методи апроксимації функцій, набути практичні навики знаходження наближених значень функцій.

Короткі теоретичні відомості

На практиці зустрічаються випадки, коли потрібно мати значення інтерполяційного багаточлена Лагранжа в деякій точці х, а не загальний його вигляд. Тоді зручно користуватись інтерполяційною схемою Ейткена.

Обчислювальний алгоритм має такий вигляд:

Таблиця 1.

причому

  

– інтерполяційний багаточлен Лагранжа за вузлами хо,х,...,хп. Кожен із   отримують з  та   шляхом перехресного множення та ділення. Із застосуванням схеми Ейткена поступово можна залучати щораз нові значення вузлів хк доти, поки обчислення не засвідчать, що точність уже не зростає.

Варіант 17

Користуючись таблицею значень cos(x), xє[0.75k, 0.8k] з кроком h=0.01. Знайти наближене значення cos(x) при x=0.775, де k-списковий номер студента.

Результати обчислень подати таблично.

Текст програми:

//---------------------------------------------------------------------------

#include <vcl.h>

#include <math.h>

#pragma hdrstop

#include "EytkinUn.h"

//---------------------------------------------------------------------------

#pragma package(smart_init)

#pragma resource "*.dfm"

TForm1 *Form1;

AnsiString str="L", str1;

float x0,xn,h,x,k,xk;

float masxkx[1000]={0}, masL[1000][1000]={0};

//---------------------------------------------------------------------------

__fastcall TForm1::TForm1(TComponent* Owner)

 : TForm(Owner)

{}

//---------------------------------------------------------------------------

void __fastcall TForm1::FormCreate(TObject *Sender)

{

 StringGrid1->Cells[0][0]="xk";

 StringGrid1->Cells[1][0]="fk";

 StringGrid1->Cells[2][0]="xk-x";

}

//---------------------------------------------------------------------------

void __fastcall TForm1::Button1Click(TObject *Sender)

{

 x0=StrToFloat(LabeledEdit1->Text);

 xn=StrToFloat(LabeledEdit2->Text);

 h=StrToFloat(LabeledEdit3->Text);

 x=StrToFloat(LabeledEdit4->Text);

 k=StrToFloat(LabeledEdit5->Text);

 StringGrid1->RowCount=2;

 x0*=k;   xn*=k;   x*=k;  xk=x0;   int i=0;    float min=fabs(xk-x);

 int t=0;

 while(xk<xn)

 {

   StringGrid1->Cells[0][i+1]=FloatToStrF(xk,ffFixed,8,2);

   masL[0][i]=cos((float)xk);

   StringGrid1->Cells[1][i+1]=FloatToStrF(masL[0][i],ffFixed,16,8);

   masxkx[i]=xk-x;

   if(min>=fabs(masxkx[i])){t=i;min=fabs(masxkx[i]);}

   StringGrid1->Cells[2][i+1]=FloatToStrF(masxkx[i],ffFixed,8,4);

   for(int j=1; j<=i; j++)

   {

     masL[j][i]=1/(xk-x0)*(masL[j-1][i-1]*(xk-x)-masL[j-1][i]*(x0-x));

     StringGrid1->ColCount=2+i;

     StringGrid1->Cells[2+j][i+1]=FloatToStrF(masL[j][i],ffFixed,16,8);

   }

   xk+=h;

   StringGrid1->RowCount++;   i++;

 }

 Label1->Caption=(AnsiString)"sin("+

                 FloatToStrF(x,ffFixed,8,4)+

                 (AnsiString)") = "+

                 FloatToStrF(masL[t][t],ffFixed,16,8);

}

//---------------------------------------------------------------------------

Результат виконання програми:

Висновок: На цій лабораторній роботі я засвоїв теоретичний матеріал методу апроксимації функцій, набув практичні навики знаходження наближених значень функцій. 


 

А также другие работы, которые могут Вас заинтересовать

21690. ТЕХНОЛОГИИ НЕЙРОННОГО УПРАВЛЕНИЯ 181 KB
  Он составляет основу для большинства схем нейронного управления. ТЕХНОЛОГИИ НЕЙРОННОГО УПРАВЛЕНИЯ Во многих реальных системах имеются нелинейные характеристики сложные для моделирования динамические элементы неконтролируемые шумы и помехи а также множество обратных связей и другие факторы затрудняющие реализацию стратегий управления. За последние два десятилетия новые стратегии управления в основном развивались на базе современной и классической теорий управления. Как современная в частности адаптивное и оптимальное управление так и...
21691. Расширение последовательной схемы нейронного управления 106 KB
  Простая процедура обучения для эмулятора выглядит так: {рис. 109} Целью обучения является минимизация ошибки предсказания . 109} Для ускорения сходимости процесса обучения можно использовать другую модель эмулятора: {рис.
21692. Нейронный контроллер 225 KB
  Сегодня мы посмотрим что внутри у нейроконтроллера а также займёмся повышением эффективности оперативного управления. Нейронный контроллер Предположим что объект управления описываемый уравнением является обратимым. Если выход близок к выходу при соответствующих входах то многослойная нейросеть может рассматриваться как контроллер в прямой цепи управления.
21693. Обучение контроллера: подход на основе прогнозируемой ошибки выхода 361.5 KB
  Шаг 1. read ; Шаг 2. {Обучение эмулятора} for := downto 0 do begin :=; ; end; Шаг 3. {Генерация управляющего входного сигнала} :=; или :=; :=; Шаг 4.
21694. ПАРАЛЛЕЛЬНАЯ СХЕМА УПРАВЛЕНИЯ 538.5 KB
  ПАРАЛЛЕЛЬНАЯ СХЕМА УПРАВЛЕНИЯ В параллельной архитектуре нейронного управления нейронная сеть используется наравне с обычным ПИДрегулятором. Настройка выполняется таким образом чтобы выходной сигнал объекта управления как можно точнее соответствовал заданному опорному сигналу . Из этих примеров следует что даже если удастся разработать хорошую общую стратегию управления может возникнуть необходимость в её настройке с целью получения лучших практических результатов.
21695. ПРИЛОЖЕНИЯ НЕЙРОННОГО УПРАВЛЕНИЯ 453.5 KB
  Далее мы будем изучать примеры практического применения некоторых методов нейроуправления и не только нейроуправления для реальных систем. ПРИЛОЖЕНИЯ НЕЙРОННОГО УПРАВЛЕНИЯ В качестве реальной системы будем рассматривать систему управления температурой водяной ванны инвертированный маятник систему управления генератором в электрическом транспортном средстве и печь как многомерный объект управления со многими входами и выходами. Система управления температурой водяной ванны Система управления представляет собой регулятор температуры для...
21696. МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 286 KB
  Вычисления соответствующие действиям нечёткого контроллера в системе управления температурой водяной ванны можно представить в виде следующего алгоритма: Шаг 1. Гн Омату рассматривает помимо нейросетевого и нечёткого управления ещё два способа управления водяной ванной. По результатам экспериментов из всех схем управления схема ПИД наиболее проста в реализации.
21697. Система стабилизации перевёрнутого маятника 668.5 KB
  Система стабилизации перевёрнутого маятника Перевёрнутый маятник представляет собой модель нестабильной системы управления сам маятник закреплён сверху на тележке которая может перемещаться вправо и влево в горизонтальной плоскости причём это перемещение является управляемым. Задача управления состоит в стабилизации маятника в вертикальном положении на возможно более продолжительное время. Цель управления состоит в том чтобы переместить тележку в позицию таким образом чтобы маятник оставался в вертикальном положении.
21698. Применение нейросетей для управления печью 145 KB
  В таких случаях целью управления является возможно более быстрое и плавное достижение требуемой температуры с последующим удерживанием её значения в заданных пределах. Система управления печью разработана японской фирмой Omron Inc. Структурная схема системы управления печью В состав системы управления входит модуль датчиков плата параллельного интерфейса вводавывода компьютер NEC PC9801F и исполнительное устройство.