Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2504.03421v1

帮助 | 高级搜索

数学 > 数值分析

arXiv:2504.03421v1 (math)
[提交于 2025年4月4日 ]

标题: 基于噪声数据通过时间谐波弹性波方程的单调性方法重构包络形状

标题: Shape reconstruction of inclusions based on noisy data via monotonicity methods for the time harmonic elastic wave equation

Authors:Sarah Eberle-Blick
摘要: 本文中,我们将研究关于时间谐波弹性波方程反问题的标准单调性和线性化单调性方法,并引入这些方法针对噪声数据的修正。更具体地,当使用噪声数据时,这些方法必须提供一致的结果,以便能够用真实世界的数据(例如实验室数据)进行模拟。因此,我们考虑扰动的Neumann-to-Dirichlet算子,并修改特征值界以用于利用噪声数据重建未知夹杂物的单调性测试中。通过这样做,我们证明了存在一个噪声水平 $\delta_0$,使得对于所有噪声水平 $\delta < \delta_0$,夹杂物都能被检测到且其形状可以被重建。最后,我们基于噪声数据呈现了一些数值模拟。
摘要: In this paper, we extend our research concerning the standard and linearized monotonicity methods for the inverse problem of the time harmonic elastic wave equation and introduce the modification of these methods for noisy data. In more detail, the methods must provide consistent results when using noisy data in order to be able to perform simulations with real world data, e.g., laboratory data. We therefore consider the disturbed Neumann-to-Dirichlet operator and modify the bound of the eigenvalues in the monotonicity tests for reconstructing unknown inclusions with noisy data. In doing so, we show that there exists a noise level $\delta_0$ so that the inclusions are detected and their shape is reconstructed for all noise levels $\delta < \delta_0$. Finally, we present some numerical simulations based on noisy data.
主题: 数值分析 (math.NA)
引用方式: arXiv:2504.03421 [math.NA]
  (或者 arXiv:2504.03421v1 [math.NA] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.03421
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Sarah Eberle-Blick [查看电子邮件]
[v1] 星期五, 2025 年 4 月 4 日 13:08:46 UTC (491 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math.NA
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs
cs.NA
math

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号