Tengo un cable que se extiende desde a . La temperatura a viene dada por la función desconocida para de para ahora ( ).
Ahora puedo medir la temperatura del cable en cada punto ( ), .
Dada la temperatura del alambre ahora, , me gustaría recuperar , la temperatura a , a través de la historia
Es probable que el problema esté "mal planteado", lo que significa pequeños errores en dar lugar a grandes errores en .
¿Qué se sabe sobre la solución de este problema? Por ejemplo, ¿se conoce el grado de mala postura? Si está levemente mal planteado, ¿hay técnicas numéricas disponibles? ¿Alguien puede indicarme artículos o un libro que lo trate?
Tienes razón, esta es una pregunta clásicamente mal planteada, y he aquí por qué.
Si estás midiendo la temperatura a lo largo del cable en la posición y tiempo , hay cualquier número de diferentes distribuciones de temperatura inicial a lo largo de ese cable que produciría en —es decir, la respuesta no es única para ningún conjunto dado de condiciones iniciales.
Esto significa que puede predecir qué será para los tiempos futuros , pero no lo que fue para los tiempos pasados .
Otra forma de pensar en esto es la siguiente: el flujo de calor viaja por un proceso de difusión. En cualquier etapa del proceso de difusión, tiende a borrar cualquier información histórica sobre las condiciones iniciales presentes en épocas anteriores. Ese borrado hace que sea matemáticamente imposible reconstruir las condiciones iniciales por retrocálculo.
De hecho, hay algunos métodos numéricos disponibles que intentan limitar el impacto de la mala postura.
Muchas veces se basan en la introducción de un término de generalización . Este es un término que de alguna manera mide los errores introducidos por la naturaleza mal planteada y lo agrega al problema de minimización de encontrar su estado inicial.
En realidad, esto se usa en una conocida técnica de aprendizaje automático llamada Máquinas de vectores de soporte, en la que tiene un compromiso similar entre encontrar un ajuste perfecto para sus datos (que es muy sensible al ruido) y limitar la complejidad del modelo. En el aprendizaje automático, esto se identifica más a menudo como el equilibrio entre sesgo y varianza, pero, en esencia, estos 2 conceptos están muy cerca uno del otro.
Dado que solicitó bibliografía, aquí hay algunas fuentes que encontré útiles durante mi investigación de maestría sobre estos temas:
acechador
Pedro A
usuario2617
Pedro A
Wojowu
Pedro A
shalop