Skript
Skript Skript
1.4 Beispiel 4: Parameteridentifikation Ein weiteres wichtiges Beispiel für ein inverses Problem ist die Identifikation (oder Rekonstruktion) eines Parameters in einer Differentialgleichung. Als Beispiel betrachten wir wieder die Wärmeleitungsgleichung, diesmal mit einem ortsabhängigen Koeffizienten: u t = div(a(x)∇u), x ∈ Ω ⊂ R n , 0 < t < T, (1.5) mit Anfangswert u(x, 0) = u 0 (x). Das direkte Problem besteht wieder aus der Lösung dieser Differntialgleichung nach u bei gegebenem a(x). In vielen praktischen Problemen ist der Koeffizienten a(x) jedoch nicht bekannt (z.B. ....). In diesen Fällen interessiert und das folgende, inverse Problem: IP: Sei Ω M ⊂ Ω × [0, T ] und sei die Lösung u(x, t) von (1.5) bekannt für alle (x, t) ∈ Ω M . Bestimme aus diesen Messungen a(x). In vielen Anwendungen ist Ω M der Rand des Gebietes Ω. Analysieren wir das stationäre Problem in einer Dimension genauer: Es gilt −(a(x)u x ) x = f, x ∈ Ω ⊂ R, (1.6) Wir wollen a(x) auf den verrauschten Daten u δ (x) = u(x) + n δ (x), x ∈ Ω, rekonstruieren, wobei wieder ‖n δ ‖ L 2 ≤ δ gilt. Hat das direkte Problem eine eindeutige Lösung, macht es Sinn die parameter-to-solution Abbildung a ↦→ u a zu definieren, wobei u a die Lösung von (1.6) bezeichnet. Integration der Gleichung bezüglich x liefert a(x) du dx (x) = ∫x 0 f(y) dy, d.h. a(x) ist eindeutig bestimmt für alle x mit du dx (x) ≠ 0. Diese Bedingung ist in vielen Anwendungen erfüllt, ist z.B. f(x) ≠ 0 offenem Intervall I ⊂ [0, 1] so gilt 0 = d0 dx (x) = d ( a(x) du ) dx dx (x) = f(x), x ∈ I, und damit existiert kein offenes Interval I ⊂ [0, 1] in dem du dx verschwindet. Die resultierende Lösungsformel a(x) = ∫ x 0 du dx (x) f(y) dy 9
zeigt, dass neben der Probleme, die durch das Differenzieren der Daten auftreten (lineares Problem) auch blbubbbbbb. Interessant in diesem Kontext sind Stabilitätsabschätzungen, mit deren Hilfe die Stetigkeit des inverses Operators auf speziellen Teilmengen gezeigt werden kann. Als Beispiel betrachten wir die kompakte Teilmenge { C γ,M = u ∈ C 2 ([0, 1]) | ‖u‖ C 2 ≤ M, du } dx ≥ γ > 0 in [0, 1] . Bezeichen wir mit u j die Lösung von (1.6) zur Funktion a j (x), j = 1, 2. Aus der obigen Inversionsformel erhalten wir für die Differenz der beiden Lösungen und damit a 1 (x) − a 2 (x) = ∫ x 0 ( f(y) dy du2 dx (x) dx (x) − du ) 1 dx (x) . du 1 dx (x) du 2 ‖a 1 − a 2 ‖ 2 L 2 ((0,1)) ≤ (∫ x 0 f(y) dy) 2 γ 4 ‖a 1 − a 2 ‖ 2 L 2 ((0,1)) Mit Hilfe partieller Integration und der Cauchy-Schwarz Ungleichung erhalten wir damit blub T ODO blub ‖a 1 − a 2 ‖ L 2 ≤ ‖f‖ L 1 γ 2 √ 2M‖u1 − u 2 ‖ 1/2 L 2 , der inverse Operator G : u ∈ C γ → a ist also Hölder-stetig mit Exponent 1 2 in der L 2 -norm. 1.4.1 Beispiel 5: Entrauschen von Bildern Zwei grundlegende Probleme in der mathematischen Bildgebung sind das Entrauschen und das Entzerren von Bildern. Beim Entrauschen ist die Aufgabe das Orginalbild u aus verrauschten Messungen f δ (x) = u(x) + n δ (x), x ∈ Ω ⊂ R 2 , zu rekonstruieren. Wir nehmen wieder an, dass für die Störungen ‖n δ (x)‖ L 2 (Ω) ≤ δ gilt. Unser Ziel ist die Berechnung einer Rekonstruktion die wichtige Eigenschaften des Orginalbildes u erhält (z.B. Kanten). Da Kanten im Zusammenhang zu Ableitungen stehen ist das Problem schlecht gestellt in der gleichen Weise wie die numerische Differenziation von Daten. 10
- Seite 1 und 2: Inverse und schlecht gestellte Prob
- Seite 3 und 4: 5.4 Konjugierte-Gradienten-Verfahre
- Seite 5 und 6: also Stationär: Beispiele: SAR, St
- Seite 7 und 8: d.h. die Genauigkeit der Approximat
- Seite 9: Bemerkung 1.2.1. 1. Die obige Rechn
- Seite 13 und 14: Wir entwickeln die gesuchte Funktio
- Seite 15 und 16: Kapitel 2 Grundlagen Wie wir in den
- Seite 17 und 18: • A ist stetig bezüglich L 2 (Ω
- Seite 19 und 20: Definition 2.1.3 (kleinste Quadrate
- Seite 21 und 22: Bemerkung 2.1.12. karl • A ∗ Ax
- Seite 23 und 24: Da A kompakt ist, besitzt (y n ) n
- Seite 25 und 26: Theorem 2.2.10. Sei A ∈ L(X, Y )
- Seite 27 und 28: Durch Koeffizientenvergleich folgt:
- Seite 29 und 30: Kapitel 3 Regularisierungstheorie I
- Seite 31 und 32: Beweis. Sei y ∈ D(T † ) beliebi
- Seite 33 und 34: und weiterhin gilt. lim δC α(δ)
- Seite 35 und 36: Normalengleichungen. Außerdem ist
- Seite 37 und 38: Durch die Unstetigkeit an 0 wird di
- Seite 39 und 40: Kapitel 4 Inverse Probleme der Inte
- Seite 41 und 42: zu θ(ϕ k ) durchgeführt, daher h
- Seite 43 und 44: 4.2 Funktionalanalytische Grundlage
- Seite 45 und 46: ̂f a (ξ) = (2π) −n/2 ∫ R n =
- Seite 47 und 48: Satz 4.2.5. (Faltungssatz) Seien f,
- Seite 49 und 50: aber f ∉ L 2 (R 2 ). Die Fouriert
- Seite 51 und 52: Wir definieren also allgemein die A
- Seite 53 und 54: keinen Sinn, den das hintere Integr
- Seite 55 und 56: S(C) definiert durch (Rf)(θ, s) =
- Seite 57 und 58: = (2π) 1/2 ̂f(ξ) □ Satz 4.2.20
- Seite 59 und 60: ist ˜f(x) zumindest schon mal posi
zeigt, dass neben der Probleme, die durch das Differenzieren der Daten auftreten<br />
(lineares Problem) auch blbubbbbbb. Interessant in diesem Kontext sind<br />
Stabilitätsabschätzungen, mit deren Hilfe die Stetigkeit des inverses Operators<br />
auf speziellen Teilmengen gezeigt werden kann. Als Beispiel betrachten<br />
wir die kompakte Teilmenge<br />
{<br />
C γ,M = u ∈ C 2 ([0, 1]) | ‖u‖ C 2 ≤ M, du<br />
}<br />
dx ≥ γ > 0 in [0, 1] .<br />
Bezeichen wir mit u j die Lösung von (1.6) zur Funktion a j (x), j = 1, 2. Aus der<br />
obigen Inversionsformel erhalten wir für die Differenz der beiden Lösungen<br />
und damit<br />
a 1 (x) − a 2 (x) =<br />
∫ x<br />
0<br />
(<br />
f(y) dy du2<br />
dx (x) dx (x) − du )<br />
1<br />
dx (x) .<br />
du 1<br />
dx (x) du 2<br />
‖a 1 − a 2 ‖ 2 L 2 ((0,1)) ≤ (∫ x<br />
0 f(y) dy) 2<br />
γ 4 ‖a 1 − a 2 ‖ 2 L 2 ((0,1))<br />
Mit Hilfe partieller Integration und der Cauchy-Schwarz Ungleichung erhalten<br />
wir damit blub<br />
T ODO<br />
blub<br />
‖a 1 − a 2 ‖ L 2 ≤ ‖f‖ L 1<br />
γ 2 √<br />
2M‖u1 − u 2 ‖ 1/2<br />
L 2 ,<br />
der inverse Operator G : u ∈ C γ → a ist also Hölder-stetig mit Exponent 1 2 in<br />
der L 2 -norm.<br />
1.4.1 Beispiel 5: Entrauschen von Bildern<br />
Zwei grundlegende Probleme in der mathematischen Bildgebung sind das Entrauschen<br />
und das Entzerren von Bildern. Beim Entrauschen ist die Aufgabe das<br />
Orginalbild u aus verrauschten Messungen<br />
f δ (x) = u(x) + n δ (x), x ∈ Ω ⊂ R 2 ,<br />
zu rekonstruieren. Wir nehmen wieder an, dass für die Störungen<br />
‖n δ (x)‖ L 2 (Ω) ≤ δ<br />
gilt. Unser Ziel ist die Berechnung einer Rekonstruktion die wichtige Eigenschaften<br />
des Orginalbildes u erhält (z.B. Kanten). Da Kanten im Zusammenhang<br />
zu Ableitungen stehen ist das Problem schlecht gestellt in der gleichen<br />
Weise wie die numerische Differenziation von Daten.<br />
10