这个小系列的文章是笔者在学习微分方程的级数解的时候的(丢人)笔记。作为一名“优秀”的工科生,那些复杂而又看上去没什么用的定理证明过程就自然而然的被忽略掉了…

几乎每本书上都会说类似“能有初等解法的微分方程是很有限的[1]”的话。如此说来,微分方程的级数解应该是比较重要的内容。但是在(我所见过的)国内出的教材里面,在微分方程的级数解这部分内容写得的确是难以下咽。

这个小系列的文章笔者笔记大多数内容来自《微分方程与边界值问题》(Differential Equations with Boundary-Value Problem. Dennnis G.Zill & Michael R. Cullen)还有部分内容来自《常微分方程学习辅导与习题解答》(朱思铭 编)以作为一点补充。

需要说明一下的是,这里的微分方程指的是常微分方程而非偏微分方程。级数自然指的是幂级数。并且本文讲述的都是二阶微分方程的级数解。

(并且我认为这个小系列里面我想写的重点是贝塞尔方程,其他的…都不是最重要)


正文

在正式求级数解之前,还是先简洁地回顾一下比较重要的级数知识。

幂级数

这是相当于在点

“展开”的幂级数。

收敛性

比值检验法:

时,级数收敛。

当对幂级数用比值检验法时,可以求出幂级数的收敛区间,但不包括端点。端点需要单独代入幂级数内再用比值检验法检验是否收敛。

积分和求导

幂级数在收敛区间内可以逐次积分和求导。

积分和求导不包括端点处。端点处的收敛性可能会由于求导而发散或者由于积分而收敛。积分和求导之后的幂级数应当再次单独判断收敛性。

由于是关于微分方程的幂级数解法,那么只考虑幂级数求导的情况,而由于是二阶微分方程,则只考虑到二阶导数的情况。(而且是在

处的幂级数)

的一阶导数和二阶导数里面,分别第一项和第二项化为
。因此级数的下标可以改成
。这是幂级数从
开始的情况。而:

当幂级数不是从

开始的时候,就不能再改写求和的下标了。

合并幂级数

以例子说明:

例:

第一项级数从

开始,第二项级数从
开始。合并的时候统一到最高次项:

由于

是“虚变量”,因此可以代换。若想从
开始,左边的级数做代换:
;右边的级数做代换:

(之后的求导、合并幂级数等之类的简单操作将逐渐不会再写出来。具体的计算还请读者心算或者自己在草稿本上自己写一下。)

关于幂级数回顾的知识点就到这里。接下来是关于微分方程的级数解的一些基本的理论知识。(还没到求解…)

微分方程的平凡点与奇点

当然,还是关于二阶方程的。

对于:

方程两边除以

,并重新标记,有:

都可以在
处泰勒展开,那么就说
是这个微分方程的平凡点。反之,
任意一者在
处不能泰勒展开,那么这个点就是奇点。

例:

处都可以泰勒展开,所以微分方程在整个实数域上都是平凡点。

例:

显然

处不能泰勒展开,
是一个奇点。(不过这个函数的定义域就是
啊,本来就不在定义域内嘛。为什么书上会是这个例子?)

幂级数解的存在性

又到了理论的地方了,但是这个倒是很简单,和泰勒展开的收敛半径别无二致。

是微分方程
的一个平凡点,那么总可以求得

两个

为展开中心的线性无关的级数解
。且其

至少

(即
)上收敛。其中
到最近奇点
的距离。
自己画的…顺便做题图了

可见,这个奇点是复平面的奇点。(很来就和泰勒级数是一样的嘛)

需要注意的是,这个定义域是“至少”。也就是说,定义域或许会超过这个范围。在后面可以看到,即使有奇点,但在一个平凡点展开的两个线性无关的解中,会出现有一其中个解的定义域是全体实数域的情况。(而另一个解在

的区域外会发散)

求解微分方程

为简便起见,后面的求幂级数解都是在

处展开的幂级数。实际上若想求
处的幂级数解,可先做代换
,将要求的微分方程化成以
为自变量。求出结果后再代换回去即可。

求一个齐次线性二阶常微分方程的幂级数解的方法称为“待定级数系数法”。实际上就是将

代入微分方程中,然后对比系数得到
的各个值。再将
代入幂级数中,就可以得到两个线性无关的解
。最后有:

实际上可以证明:

;
即:

但是始终要注意,不要过分的追求幂级数里面的

有什么对应关系(在下一篇文章中就会出现不一样的情况)。因为这只是微分方程通解里面的任意常数。真正需要求出来的是那两个不含任意常数的线性无关解
。需要关注
的原因只是为了区分“这一堆含有
的是
,这一堆含有
的是
”而已。

例:

显然这个方程是无奇点的。那么可以在

处的幂级数。

代入则有:

左边=右边,且恒等于0,那么就一定得有各项都等于0。则有:

那根据这个递推公式列几项:

代回幂级数,则有:

合并

,
项,提取出无任意常数的幂级数则有:

则有:

这就是微分方程关于平凡点的幂级数求解了。就这样看上去还是很简单的,无非就是:

代入化简

对比递推

合并得通解

但在某些操作上还需要一点技巧。以一个例子来说明:

例:

一样的, 令

代入则有:

对比系数就有:

从前面可以知道,

,
相当于是已知的(也就是任意常数)。而
由大括号第一项也可得知。那么剩下的就是代入这三项便可求出所有的

但是与前面不一样的是,这是三项递推关系。这就导致了每一项递推都会非常困难(读者不妨尝试去感受一下困难程度)。但是有如下技巧:

不妨先令

,同样地代入递推公式:

再令

代入递推公式:

这样就得到了两组“不一样的”

.可以如此考虑:实际上“真实的”每一个
都是上面两组
的和。只不过这样令
代为零的操作,将
中的
自动分离了开来。

那么这样就先得到了两个解

(配
(配

看上去显然没有一个函数是另一个函数的常数倍,那么这两个函数是线性无关的。这样就可以得到:

这就是这一篇,关于平凡点的解,的全部内容了。若要回顾总结一下的话:

求解方法:

代入化简

对比递推

合并得通解

递推上的差别:

二项递推:直接代入递推,得到全部的

,放回级数中就是通解,分开
,
得到
,

三项递推:假设某一项为零后代入,得到两组不同的

,放回级数中分别得到
,
,合并在一起是通解。

(不过可以猜想一下,若是n项递推是不是可以分别假设(n-1)项为零再代入呢?不过二阶微分方程看上去应该是不会有这种情况的了)

参考

  1. ^王高雄,周之铭,朱思铭,等.常微分方程[M]北京:高等教育出版社,2006.07:72

交错级数如何判断收敛_从微分方程的级数解到两个特殊方程(1):关于平凡点的解...相关推荐

  1. 梯度下降参数不收敛_一文讲透梯度下降

    本文始发于个人公众号:TechFlow,原创不易,求个关注 在之前的文章当中,我们一起推导了线性回归的公式,今天我们继续来学习上次没有结束的内容. 上次我们推导完了公式的时候,曾经说过由于有许多的问题 ...

  2. pq 中m函数判断嵌套_你还在用IF函数进行逻辑判断吗?试试PQ,简单又实用

    我们的身份证号码包含了很多信息,其中一个就是性别判断.我们之前分享过如何使用IF函数来进行判断,实质上IF函数还有嵌套两个简单的函数,分别是提取函数MID和取余函数MOD,这样三个函数一起未免有点让人 ...

  3. matlab 定义一个有自变量的方程_常微分方程:(第四章) 高阶微分方程

    参考<常微分方程>第三版(王高雄) 常微分方程王高雄 第四章 高阶微分方程_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili​www.bilibili.com 对于高阶微分方程,线性部分 ...

  4. Java生成两个圆判断是否重叠,用java随机画出两个圆,判断它们是不是相交

    用java随机画出两个圆,判断它们是否相交 import java.awt.*; import java.util.Random; import javax.swing.*; import javax ...

  5. 考研高数之无穷级数题型一:判断收敛性、求收敛半径以及收敛域和收敛区间(题目讲解)

    发现有问题或者需要其他题型讲解请评论区留言~~~ 博主最近在复习考研,发现数一还是有一点点难,并且发现网上专门讲题目的文章比较少,刚好复习完一轮之后停下来总结一下自己踩过的坑和一些心得,其中难免因为理 ...

  6. alexnet训练多久收敛_如何将深度学习训练速度提升一百倍?PAISoar 来了

    阿里妹导读:得力于数据规模增长.神经网络结构的演进和计算能力的增强,深度学习的图像处理.语音识别等领域取得了飞速发展.随着训练数据规模和模型复杂度的不断增大,如何充分利用分布式集群的计算资源加快训练速 ...

  7. java 判断类型_如何快速入门Java编程学习(干货)

    一.初识Java 1.生活中的程序: 从起床到教室上课的过程 穿衣打扮>起床>洗漱>出宿舍>>吃早餐>到教室 按照特定的顺序去完成某一件事的过程我们叫做生活中的程序 ...

  8. alexnet训练多久收敛_卷积神经网络之AlexNet

    由于受到计算机性能的影响,虽然LeNet在图像分类中取得了较好的成绩,但是并没有引起很多的关注. 知道2012年,Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠,卷 ...

  9. 瞬时极性法对正负反馈的判断方法_何为反馈?如何判断?统统告诉你

    所谓反馈,就是指将放大电路的输出量(电压或电流信号)的部分或全部,通过一定方式(元件或网络)返送到输入回路的过程,完成输出量向输入端回送的电路称为反馈元件或反馈网络,具有反馈元件的放大电路称为反馈放大 ...

最新文章

  1. linux进程map,linux下unordered_map和map在小数据下性能差异
  2. pyspark distinct代码示例
  3. 【Linux】一步一步学Linux——fc命令(224)
  4. 网络病毒源的排查(2005年3月22日维护记录)
  5. Zookeeper集群搭建(配置详解)
  6. 使用LightBDD轻松实现行为驱动开发
  7. Python数据结构:插入排序
  8. mysql 删除 like_MySQL 定时删除数据
  9. Hibernate读书笔记---继承映射
  10. ffmpeg视频播放、格式转化、缩放等命令
  11. 图像形状特征(六)--AR模型形状描述子
  12. 历数2017年五大Linux痛点,哪个戳到了你?
  13. oracle的采购管理模块,ORACLEERP采购管理模块操作手册
  14. 新时代程序员——怎么样应对吃青春饭问题
  15. linux超级终端配置交换机路由器
  16. kdj买卖指标公式源码_长短KDJ源码与kdj顶底背离指标公式(附图)
  17. 射击类项目(数据的持久化保存)整理四
  18. 苹果审核团队_如何才能跟 App Store 审核团队有效沟通?
  19. 连续分配存储的四种管理方式
  20. C# 盘古分词的使用

热门文章

  1. T5 PEGASUS:开源一个中文生成式预训练模型
  2. 微调也重要:探究参数初始化、训练顺序和提前终止对结果的影响
  3. CVPR 2019 | APDrawingGAN:人脸秒变艺术肖像画
  4. 除了超分辨率,AI 结合 RTC 还有哪些技术实践?
  5. java 8u111 8u112_JDK 8U112
  6. 牛客题霸 NC2 重排链表
  7. LeetCode176 第二高的薪水
  8. JavaScript——仿键盘打字输入动画效果DEMO
  9. Neko and Aki's Prank
  10. Colored Boots