$$ T \ left (x \ right)= 1-4 \ left | \ tfrac {1} {2}-\ operatorname {mod}(\ tfrac {1} {2} x + \ tfrac {1} {4},\ 1)\ right | $$
其中$ \ operatorname {mod}(x,1)$是$ x $的小数部分:
$$ \ operatorname {mod}(x ,y)\ triangleq y \ cdot \ left(\ left \ lfloor \ frac {x} {y} \ right \ rfloor-\ frac {x} {y} \ right)$$
A泰勒级数可以用作波形发生器。
$$ S_1 \ left(x \ right)= \ frac {\ pi x} {2}-\ frac {\ frac {\ pi x} { 2} ^ 3} {3!} + \ frac {\ frac {\ pi x} {2} ^ 5} {5!}-\ frac {\ frac {\ pi x} {2} ^ 7} {7! } $$
鉴于上述函数,$ S_1(T(x))$将为我们提供正弦波的近似值。但是我们需要上升到该级数的7的幂才能得到一个合理的结果,并且峰值有点低并且不会具有完全为零的斜率。
而不是泰勒级数,我们可以使用遵循几个规则的多项式波整形器。
必须通过-1,-1和+ 1,+ 1。
-1,-1处的斜率和+ 1,+ 1必须为零。
必须对称。
满足我们要求的简单函数:
$$ S_2 \ left(x \ right )= \ frac {3x} {2}-\ frac {x ^ 3} {2} $$
$ S_2(T(x))$和$ \ sin \ left( \ pi x \ right)$非常接近,但没有泰勒级数那么近。在峰值和零交叉点之间,它们明显地有些偏离。满足我们要求的功能更重,更准确:
$$ S_3 \ left(x \ right)= \ frac {x(x ^ 2-5)^ 2} {16} $$
对于我来说,这可能足够接近,但我想知道是否存在另一个函数,该函数更接近正弦波,并且在计算上更便宜。我对如何找到满足上述三个要求的功能有很好的了解,但是我不确定如何找到满足这些要求并且最接近正弦波的功能。
有什么方法可以找到模拟正弦波的多项式(当应用于三角波时)?
为了澄清起见,我不必只寻找奇对称多项式,尽管那些是最直接的选择。
类似以下功能的内容也可以满足我的需求:
$$ S_4 \ left(x \ right)= \ frac {3x} { 2} + \ frac {x ^ 2} {4} + \ frac {x ^ 4} {4} $$
这满足负范围内的要求,可以使用分段解决方案也将其应用于正数范围;例如
$$ \ frac {3x} {2}-\ frac {P \ left(x,2 \ right)} {4}-\ frac {P \ left(x,4 \ right)} {4} $$
其中$ P $是有符号幂函数。
我也对使用有符号幂函数支持小数的解决方案感兴趣指数,因为这为我们提供了另一个“扭曲旋钮”而无需添加其他系数。
$$ a_0x \ + a_1P \ left(x,\ p_1 \ right)$$
给定正确的常数,如果没有五阶或七阶多项式的沉重负担,这可能会获得非常好的准确性。这是一个使用一些手工选取的常量满足此处描述的要求的示例:$ a_0 = 1。\ overline {666},a_1 = -0。\ overline {666},p_1 = 2.5 $。
$$ \ frac {5x-2P \ left(x,\ \ frac {5} {2} \ right)} {3} $$
实际上,这些常数非常接近$ \ frac \ pi 2 $和$ 1-\ frac \ pi 2 $和$ e $。插入其中的内容看起来非常接近正弦波。
$$ \ frac {\ pi} {2} x \ + \ left(1- \ frac {\ pi} {2} \ right)P \ left(x,e \ right)$$
换句话说,$ x- \ frac {x ^ e} {6} $看起来与$ \ sin非常接近(x)$在0和π/ 2,1之间。有什么想法的意义吗?也许像Octave这样的工具可以帮助发现这种方法的“最佳”常量。
#1 楼
大约十年前,我为一家不知名的音乐合成器公司完成了这项工作,该公司的研发距离我在马萨诸塞州沃尔瑟姆的公寓不远。 (无法想象它们是谁。)我没有系数。,但是请尝试以下操作:
$$ \ begin {align}
f (x)&\ approx \ sin \ left(\ tfrac {\ pi} {2} x \ right)\ qquad \ qquad \ text {for} -1 \ le x \ le +1 \\
\\
&= \ tfrac {\ pi} {2} x(a_0 + a_1 x ^ 2 + a_2 x ^ 4)\\
\ end {align} $$
这保证了$ f(-x)= -f(x)$。
要确保$ f'(x)\ Big | _ {x = \ pm1} = 0 $,然后
$$ f'(x)= \ tfrac { \ pi} {2}(a_0 + 3 a_1 x ^ 2 + 5 a_2 x ^ 4)$$
$$ a_0 + 3 a_1 + 5 a_2 = 0 \ tag {1} $$
这是第一个约束。保证$ | f(\ pm 1)| = 1 $,然后
$$ a_0 + a_1 + a_2 = \ tfrac {2} {\ pi} \ tag {2} $$
这是第二个约束。消除$ a_0 $并解决等式。 (a)和(2)对应于$ a_1 $的$ a_1 $(尚待调整):
$$ a_0 = \ tfrac {5} {2 \ pi}-\ tfrac {1} {2} a_1 $$
$$ a_2 =-\ tfrac {1} {2 \ pi}-\ tfrac {1} {2} a_1 $$
现在只有一个系数$ a_1 $可以旋转以获得最佳性能:
$$ f(x)= \ tfrac {\ pi} {2} x \ left((\ tfrac {5} {2 \ pi}-\ tfrac {1} {2} a_1)+ a_1 x ^ 2-(\ tfrac {1} {2 \ pi} + \ tfrac {1} {2} a_1)x ^ 4 \ right)$$
这就是我为了保持正弦波振荡器的最佳性能而旋转$ a_1 $的方式。我将使用上述和正弦波的对称性来调整$ x = 1 $,并将一个完整的周期恰好放置在一个具有两个点的幂的缓冲区中(例如128,我不在乎),然后运行FFT在完美的循环中。
FFT结果bin 1将是正弦的强度,应约为$ N / 2 $。现在,您可以调整$ a_1 $来调高和调低三次谐波失真。我将从$ a_1 \ approx \ tfrac {5} {\ pi}-2 $开始,这样$ a_0 \ approx 1 $。那是在FFT结果的bin 3中,但是5次谐波失真(bin 5中的值)将是必然的(随着3次谐波下降,它会上升)。我将调整$ a_1 $,使5次谐波电平的强度等于3次谐波电平。距一次谐波大约-70 dB(我记得)。这将是来自便宜的3系数5阶奇对称多项式的最正弦的正弦波。
其他人可以编写MATLAB代码。您觉得怎么样?
评论
$ \ begingroup $
我绝对不会有时间去做MATLAB来寻找最佳的$ a_1 $,这样三次谐波等于第五次谐波,比基本谐波(第一次谐波)低约70 dB。其他人需要这样做。抱歉。
$ \ endgroup $
–罗伯特·布里斯托-约翰逊
18年1月23日在16:07
$ \ begingroup $
很好的答案,仍然在消化。实际上开始怀疑它是否需要为3系数,5阶,奇对称多项式...您的f'(x)实际上是否为f(x)且为零附近的分段值?这里的草图。也许这就是Ced的想法?仍然赶上你们。
$ \ endgroup $
–访客
18年1月23日在16:39
$ \ begingroup $
这是一种很漂亮的方法。我想知道是否可以通过$ f(x)$来形成三阶和五阶Chebyshev多项式,而不是采用FFT迭代地求解,然后将二者相等并求解$ a_1 $?
$ \ endgroup $
–快速
18年1月23日在16:44
$ \ begingroup $
当我发布“草图”时一定已经睡着了,我的意思是要做这样的事情,但是经过校正后可以达到±1且斜率为零(可以取导数,随便摆弄,积分)再次)。不确定五阶是否有优势,这只是我尚未考虑的东西。
$ \ endgroup $
–访客
18年1月24日,1:12
$ \ begingroup $
这确实是一个绝妙的解决方案,只是花了一段时间才陷入。我希望将其标记为正确不会阻止其他人来编写代码。
$ \ endgroup $
–访客
18年1月25日在4:11
#2 楼
通常要做的是使误差的一些范数最小化的近似值,通常是$ L _ {\ infty} $范数(其中最大误差最小化)或$ L_2 $范数(其中均方误差最小化) 。通过使用Remez交换算法来完成$ L _ {\ infty} $逼近。我相信您可以找到一些实现该算法的开源代码。但是,在这种情况下,我认为非常简单(离散)的$ l_2 $优化就足够了。让我们看一些Matlab / Octave代码及其结果:x = linspace(0,pi/2,300); % grid on [0,pi/2] x = x(:); % overdetermined system of linear equations % (using odd powers only) A3 = [x,x.^3]; A5 = [x,x.^3,x.^5]; b = sin(x); % solve in l2 sense c3 = A3\b; c5 = A5\b; f3 = A3*c3; % 3rd order approximation f5 = A5*c5; % 5th order approximation
下图显示了$ 3 ^ {rd} $阶和$ 5的近似误差。 ^ {th} $阶近似。最大近似误差分别为
8.8869e-03
和1.5519e-04
。最佳系数是
c3 = 0.988720369237930 -0.144993929056091
和
c5 = 0.99976918199047515 -0.16582163562776930 0.00757183954143367
所以三阶近似值是
$$ \ sin(x)\大约0.988720369237930x-0.144993929056091x ^ 3,\ quad x \ in [-\ pi / 2,\ pi / 2] \ tag {1} $$
,五阶近似值是
$$ \ sin (x)\大约0.99976918199047515x-0.16582163562776930x ^ 3 + \\ 0.00757183954143367x ^ 5,\ quad x \ in [-\ pi / 2,\ pi / 2] \ tag {2} $$
编辑:
如问题中所述,我研究了带符号幂函数的逼近,但是最佳逼近并没有比上面显示的三阶逼近好。近似函数为
$$ f(x)= x-\ frac {1} {p} \ left(\ frac {\ pi} {2} \ right)^ {1-p} x ^ p,\ qquad x \ in [0,\ pi / 2] \ tag {3} $$
其中选择常量,使得$ f'(0)= 1 $和$ f'(\ pi / 2)= 0 $。对功率$ p $进行了优化,以实现$ [0,\ pi / 2] $范围内的最小最大误差。发现$ p $的最佳值为$ p = 2.774 $。下图显示了三阶近似$(1)$和新近似$(3)$的近似误差:
逼近$(3)$的最大逼近误差为
4.5e-3
,但请注意,三阶逼近仅超过接近$ \ pi / 2 $的误差,并且在大多数情况下,其逼近误差实际上小于一个误差。 编辑2:
如果不介意除法,您还可以使用Bhaskara I的正弦近似公式,该公式的最大近似误差为
1.6e-3
:$$ \ sin(x)\ approx \ frac {16x(\ pi-x)} {5 \ pi ^ 2-4x(\ pi-x)},\ qquad x \ in [0,\ pi / 2] \ tag {4} $$
评论
$ \ begingroup $
非常有帮助,谢谢。这是我第一次使用Octave。我遵循了大部分,但是您是如何得到近似误差图和最大值的呢?
$ \ endgroup $
–访客
18年1月23日在16:27
$ \ begingroup $
@Guest:错误分别是b-f3和b-f5。使用plot命令绘制它们。
$ \ endgroup $
– Matt L.
18年1月23日在16:30
$ \ begingroup $
@Guest:以及从max(abs(b-f3))和max(abs(b-f5))获得的最大值。
$ \ endgroup $
– Matt L.
18年1月23日在16:31
$ \ begingroup $
@Guest:我使用带符号的幂函数,但是结果并没有比我以前的三阶近似明显好。查看我编辑过的答案。至于复杂性,会产生很大的不同吗?
$ \ endgroup $
– Matt L.
18年1月24日在11:07
$ \ begingroup $
感谢您的关注。复杂度并不是什么大问题,只是好奇在相对较低的复杂度情况下,逼近的准确性如何。我不太确定您是如何提出(3)的,但是效果很好。我需要使用2.752代替p,因为任何高于此值的峰都会发送超过1的峰(剪切)。
$ \ endgroup $
–访客
18年1月24日,11:50
#3 楼
从一个否则为一般的奇对称五阶参数化多项式开始:$$ \ begin {align}
f(x)&= a_0 x ^ 1 + a_1 x ^ 3 + a_2 x ^ 5 \\
&= x \ big(a_0 + a_1 x ^ 2 + a_2 x ^ 4 \ big)\\
&= x \ bigg(a_0 + x ^ 2 \ Big( a_1 + a_2 x ^ 2 \ Big)\ bigg)\\
\ end {align} $$
现在我们对该函数施加一些约束。峰值处的振幅应为1,换句话说$ f(1)= 1 $。将$ 1 $替换为$ x $给出:
$$ a_0 + a_1 + a_2 = 1 \ tag1 $$
这是一个约束。峰值处的斜率应为零,换句话说$ f'(1)= 0 $。 $ f(x)$的导数为
$$ a_0 + 3 a_1 x ^ 2 + 5 a_2 x ^ 4 $$
并用$ 1 $代替$ x $给出了第二个约束:
$$ a_0 + 3 a_1 + 5 a_2 = 0 \ tag2 $$
现在我们可以使用我们的两个约束来求解$ a_1 $和$ a_2 $(以$ a_0 $表示)。
$$
a_1 = \ frac {5} {2} -2a_0
\\
a_2 = a_0 -\ frac {3} {2} \ tag {3}
$$
剩下的就是调整$ a_0 $以获得合适的位置。顺带一提,$ a_0 $(以及原点处的斜率)最终为$ \ approx \ frac {\ pi} {2} $,正如我们从函数图中看到的那样。
参数优化
下面是系数的许多优化,这些优化导致与基本频率(一次谐波)相比,谐波的这些相对幅度:
在复杂的傅立叶级数中:
$$ \ sum_ {k =-\ infty} ^ \ infty c_k e ^ {i \ tfrac {2 \ pi} {P} kx} ,真实的$ P \ text {-} $周期波形的$$
,$ P = 4 $,时间对称约$ x = 1 $,半周期由奇函数$ f定义(x)$超过$ -1 \ le x \ le 1,$$ k \ text {th} $复指数谐波的系数为:
$$ c_k = \ frac {1} {P} \ int _ {-1} ^ {-1 + P} \ left(\ cases {f(x)&if $ x <1 $ \\-f(x-2)&if $ x \ ge 1 $} \ right)e ^ {-i \ tfrac {2 \ pi} {P} kx} dx。$$
由于关系$ 2 \ cos(x)= e ^ {ix} + e ^ {-ix} $(请参阅:欧拉公式),因此,当$ k> 0 $时,一个正弦谐波的幅值为$ 2 \ left | c_k \ right |,$,是相同频率的复指数幅度的两倍。可以将其按摩为某种形式,以使某些符号数学软件可以更轻松地简化积分:
$$ 2 | c_k | = \ frac {2} {4} \ left | \ int _ {-1} ^ {3} \ left(\ cases {f(x)&if $ x <1 $ \\-f(x-2)&if $ x \ ge 1 $} \ right)e ^ {-i \ tfrac {2 \ pi} {4} kx} dx \ right | \\
= \ frac {1} {2} \ left | \ int_ { -1} ^ {1} f(x)e ^ {-i \ tfrac {\ pi} {2} kx} dx-\ int_ {1} ^ {3} f(x-2)e ^ {-i \ tfrac {\ pi} {2} kx} dx \ right | \\
= \ frac {1} {2} \ left | \ int _ {-1} ^ {1} f(x)e ^ {- i \ tfrac {\ pi} {2} kx} dx-\ int _ {-1} ^ {1} f(x + 2-2)e ^ {-i \ tfrac {\ pi} {2} k(x + 2)} dx \ right | \\
= \ frac {1} {2} \ left | \ int _ {-1} ^ {1} f(x)e ^ {-i \ tfrac {\ pi} {2} kx} dx-\ int _ {-1} ^ {1} f(x)e ^ {-i \ tfrac {\ pi} {2} k(x + 2)} dx \ right | \\
= \ frac {1} {2} \ left | \ int _ {-1} ^ {1} f(x)\ left(e ^ {-i \ tfrac {\ pi} {2} kx}-e ^ {-i \ tfrac {\ pi} {2} k(x + 2)} \ right)dx \ right | \\
= \ frac {1} {2} \ left | e ^ {i \ tfrac {\ pi} {2} x} \ int _ {-1} ^ {1} f(x)\ left(e ^ {-i \ tfrac {\ pi} {2} kx}-e ^ {-i \ tfrac {\ pi} {2} k(x + 2)} \ right)dx \ right | \\
= \ frac {1} {2} \ left | \ int _ {-1} ^ {1} f (x)\ left(e ^ {-i \ frac {\ pi} {2} k(x-1)}-e ^ {-i \ frac {\ pi} {2} k(x + 1)} \ right)dx \ right | $$
上面利用$ | e ^ {ix} | = 1 $表示真实的$ x。$对于某些计算机代数系统来说,简化$通过假设$ k $是实数进行积分,最后简化为整数$ k $。 Wolfram Alpha可以积分与多项式$ f(x)$的项相对应的最终积分的各个项。对于等式中给出的系数。 3我们得到振幅:
$$ = \ left | \ frac {48 \ left((-1)^ k-1 \ right)\ left(16 \,a_0 \ left(\ pi ^ 2 k ^ 2-10 \ right)-5 \ times(5 \ pi ^ 2 k ^ 2-48)\ right)} {\ pi ^ 6k ^ 6} \ right | $$
五阶连续导数
我们可以求出$ a_0 $的值,它给出三次谐波和第五次谐波的幅值$ 2 | c_k | $。对应于具有相等或相反相位的三次谐波和第五次谐波将有两种解决方案。最好的解决方案是与基频(一次谐波)相比,最小化三次谐波和以上谐波的最大幅度,并等效地降低三次谐波和以上谐波的最大相对幅度:
$$ a_0 = \ frac {3 \ times(132375 \ pi ^ 2-130832)} {16 \ times(15885 \ pi ^ 2-16354)} \约1.569778813,\\
a_1 = \ frac {5} {2 }-2a_0 = \ frac {79425 \ pi ^ 2-65416} {8 \ times(-15885 \ pi ^ 2 + 16354)} \约-0.6395576276,\\
a_2 = a_0-\ frac {3} {2} = \ frac {15885 \ pi ^ 2} {16 \ times(15885 \ pi ^ 2-16354)} \约0.06977881382。$$
这给出幅度$ \的基频frac {13679616} {15885 \ pi ^ 6-16354 \ pi ^ 4} \约1.000071420 $,且三次谐波和五次谐波的相对振幅分别为$ \ frac {1} {8906} $或约为$ -78.99 \ text { dB} $与基本频率相比。 $ k \ text {th} $谐波具有相对幅度$ \ frac {\ left(1-(-1)^ k \ right)\ left | 8177k ^ 2-79425 \ right |} {142496 k ^ 6}。 $
7阶连续导数
同样,具有相同初始约束且在最低可能等价水平下具有3、5和7次谐波的最优7阶多项式逼近是:
$$ \ begin {align}
f(x)&= a_0 x ^ 1 + a_1 x ^ 3 + a_2 x ^ 5 + a_3 x ^ 7 \\
&= x \ big(a_0 + a_1 x ^ 2 + a_2 x ^ 4 + a_3 x ^ 7 \ big)\\
&= x \ bigg(a_0 + x ^ 2 \ Big(a_1 + x ^ 2 \ big(a_2 + a_3 x ^ 2 \ big)\ Big)\ bigg)\\
\ end {align} $$
$$ a_0 = \ frac {2a_2 + 4a_3 + 3} {2} \大约1.570781972,\\
a_1 =-\ frac {4a_2 + 6a_3 + 1} {2} \ approx -0.6458482979,\\
a_2 = \ frac {347960025 \ pi ^ 4-405395408 \ pi ^ 2} {16 \ times(281681925 \ pi ^ 4-405395408 \ pi ^ 2 + 108019280)} \约0.07935067784,\\
a_3 =-\ frac {16569525 \ pi ^ 4} {16 \ times(281681925 \ pi ^ 4-405395408 \ pi ^ 2 + 108019280)} \ approx -0.004284352588。$$
这是对应于三次谐波,第五次谐波和第七次谐波的相等/相反相位组合的四个可能解中的最佳解。基本频率具有幅度$ \ frac {2293523251200} {281681925 \ pi ^ 8-405395408 \ pi ^ 6 + 108019280 \ pi ^ 4} \大约为0.9999983752,$,并且三次,五次和七次谐波的相对幅度为$ \ frac与基本相比,{1} {1555395} \ approx -123.8368 \ text {dB} $。 $ k \ text {th} $谐波具有相对幅度$ \ frac {\ left(1-(-1)^ k \ right)\ left | 1350241k ^ 4-50674426k ^ 2 + 347960025 \ right |} {597271680k ^ 8} $相对于基数。
5阶
如果降低了连续导数的要求,则5阶近似将更难以用符号方式求解,因为如果将9次谐波的振幅限制为相等且最小,则它们的振幅将高于3次,5次和7次谐波的振幅。测试16个不同的解决方案,这些解决方案对应于来自具有相等振幅和相等或相反相位的$ \ {3,5,7,9 \} $的三个谐波的不同子集,最佳的解决方案是:
$ $ f(x)= a_0 x ^ 1 + a_1 x ^ 3 + a_2 x ^ 5 \\
a_0 = 1-a_1-a_2 \约1.570034357 \\
a_1 = \ frac {3 \ times (2436304 \ pi ^ 2-2172825 \ pi ^ 4)} {8 \ times(1303695 \ pi ^ 4-1827228 \ pi ^ 2 + 537160)} \ approx -0.6425216143 \\
a_2 = \ frac {1303695 \ pi ^ 4} {16 \ times(1303695 \ pi ^ 4-1827228 \ pi ^ 2 + 537160)} \约0.07248725712 $$
基本频率的振幅为$ \ frac {1080430592} {1303695 \ pi ^ 6-1827228 \ pi ^ 4 + 537160 \ pi ^ 2} \约0.9997773320。$ 3、5和9次谐波的相对振幅为$ \ frac { 7} {263777} \ approx -91.52 \ text {dB},$和7次谐波相对于基频的相对幅度$ \ frac {726083} {31033100273} \ approx -92.6 \ text {dB} $。 $ k \ text {th} $谐波具有相对幅度$ \ frac {\ left(1-(-1)^ k \ right)\ left | 67145k ^ 4-2740842k ^ 2 + 19555425 \ right |} {33763456k ^ 6}。$
这个近似值在半循环边界处有一个微小的角,因为该多项式的零导数不是在$ x = \ pm 1 $处,而是在$ x \ approx \ pm 1.002039940处。 $ x = 1 $时,衍生产品的价值约为0.004905799828 $。与具有连续导数的5阶逼近相比,这会导致在大$ k,$处谐波幅度的渐近衰减变慢。
7阶
A 7th没有连续导数的阶近似也可以类似地找到。该方法需要测试120种不同的解决方案,并在此答案的结尾处由Python脚本自动执行。最好的解决方案是:
$$ f(x)= a_0 x ^ 1 + a_1 x ^ 3 + a_2 x ^ 5 + a_3 x ^ 7 \\
a_0 = 1-a_1 -a_2-a_3 \ approx 1.5707953785726114835 \\
a_1 =-\ frac {5 \ times(4374085272375 \ pi ^ 6-6856418226992 \ pi ^ 4 + 2139059216768 \ pi ^ 2)} {16 \ times(2124555703725 \ pi ^ 6-3428209113496 \ pi ^ 4 + 1336912010480 \ pi ^ 2-155807094720)} \ approx -0.64590724797262922190 \\
a_2 = \ frac {2624451163425 \ pi ^ 6-3428209113496 \ pi ^ 4} {16 \ times 2124555703725 \ pi ^ 6-3428209113496 \ pi ^ 4 + 1336912010480 \ pi ^ 2-155807094720)} \ approx 0.079473610232926783079 \\
a_3 =-\ frac {124973864925 \ pi ^ 6} {16 \ times(2124555703725 \ pi ^ 6-3428209113496 \ pi ^ 4 + 1336912010480 \ pi ^ 2-155807094720)} \ approx -0.0043617408329090447344 $$
基本频率的振幅为$ \ frac {16991801282396160} {2124555703725 \ pi ^ 8-3428209113496 \ pi ^ 6 + 1336912010480 \ pi ^ 4-155807094720 \ pi ^ 2} \约1.0000024810802368487。$上方最大谐波的相对振幅基本值是$ \ frac {50} {2400688077} \约-133.627 \ text {dB}。$。 $ k \ text {th} $谐波具有相对幅度$ \ frac {\ left(1-(-1)^ k \ right)\ left | -162299057k ^ 6 + 16711400131k ^ 4-428526139187 * k ^ 2 + 2624451163425 \ right |} {4424948250624k ^ 8}。$
Python源码
from sympy import symbols, pi, solve, factor, binomial
numEq = 3 # Number of equations
numHarmonics = 6 # Number of harmonics to evaluate
a1, a2, a3, k = symbols("a1, a2, a3, k")
coefficients = [a1, a2, a3]
harmonicRelativeAmplitude = (2*pi**4*a1*k**4*(pi**2*k**2-12)+4*pi**2*a2*k**2*(pi**4*k**4-60*pi**2*k**2+480)+6*a3*(pi**6*k**6-140*pi**4*k**4+6720*pi**2*k**2-53760)+pi**6*k**6)*(1-(-1)**k)/(2*k**8*(2*pi**4*a1*(pi**2-12)+4*pi**2*a2*(pi**4-60*pi**2+480)+6*a3*(pi**6-140*pi**4+6720*pi**2-53760)+pi**6))
harmonicRelativeAmplitudes = []
for i in range(0, numHarmonics) :
harmonicRelativeAmplitudes.append(harmonicRelativeAmplitude.subs(k, 3 + 2*i))
numCandidateEqs = 2**numHarmonics
numSignCombinations = 2**numEq
useHarmonics = range(numEq + 1)
bestSolution = []
bestRelativeAmplitude = 1
bestUnevaluatedRelativeAmplitude = 1
numSolutions = binomial(numHarmonics, numEq + 1)*2**numEq
solutionIndex = 0
for i in range(0, numCandidateEqs) :
temp = i
candidateNumHarmonics = 0
j = 0
while (temp) :
if (temp & 1) :
if candidateNumHarmonics < numEq + 1 :
useHarmonics[candidateNumHarmonics] = j
candidateNumHarmonics += 1
temp >>= 1
j += 1
if (candidateNumHarmonics == numEq + 1) :
for j in range(0, numSignCombinations) :
eqs = []
temp = j
for n in range(0, numEq) :
if temp & 1 :
eqs.append(harmonicRelativeAmplitudes[useHarmonics[0]] - harmonicRelativeAmplitudes[useHarmonics[1+n]])
else :
eqs.append(harmonicRelativeAmplitudes[useHarmonics[0]] + harmonicRelativeAmplitudes[useHarmonics[1+n]])
temp >>= 1
solution = solve(eqs, coefficients, manual=True)
solutionIndex += 1
print "Candidate solution %d of %d" % (solutionIndex, numSolutions)
print solution
solutionRelativeAmplitude = harmonicRelativeAmplitude
for n in range(0, numEq) :
solutionRelativeAmplitude = solutionRelativeAmplitude.subs(coefficients[n], solution[0][n])
solutionRelativeAmplitude = factor(solutionRelativeAmplitude)
print solutionRelativeAmplitude
solutionWorstRelativeAmplitude = 0
for n in range(0, numHarmonics) :
solutionEvaluatedRelativeAmplitude = abs(factor(solutionRelativeAmplitude.subs(k, 3 + 2*n)))
if (solutionEvaluatedRelativeAmplitude > solutionWorstRelativeAmplitude) :
solutionWorstRelativeAmplitude = solutionEvaluatedRelativeAmplitude
print solutionWorstRelativeAmplitude
if (solutionWorstRelativeAmplitude < bestRelativeAmplitude) :
bestRelativeAmplitude = solutionWorstRelativeAmplitude
bestUnevaluatedRelativeAmplitude = solutionRelativeAmplitude
bestSolution = solution
print "That is a new best solution!"
print
print "Best Solution is:"
print bestSolution
print bestUnevaluatedRelativeAmplitude
print bestRelativeAmplitude
评论
$ \ begingroup $
这是罗伯特答案的变体,也是我最终选择的路线。我把它留在这里,以防它对其他人有帮助。
$ \ endgroup $
–访客
18年1月28日在4:47
$ \ begingroup $
哇,分析解决。我只是想用MATLAB和FFT来寻找答案。 $$ $$您做得很好。
$ \ endgroup $
–罗伯特·布里斯托-约翰逊
18年1月29日在4:38
$ \ begingroup $
@OlliNiemitalo实际上,我认为-79 dB足以实现数字合成正弦波振荡器。它可以由三角波驱动,该三角波很容易从锯齿的abs值生成,而该锯齿最容易由定点相位累加器生成。 $$没人会听到五阶多项式正弦波与纯正弦之间的差异。
$ \ endgroup $
–罗伯特·布里斯托-约翰逊
18年1月30日,下午3:51
$ \ begingroup $
一般而言,多项式(例如$ f $)具有以下优点:通过增加阶数,可以任意减小误差。有理函数具有相同的优势,但是除法的计算成本通常比乘法高。例如,在Intel i7中,单个线程可以同时进行的乘法和加法运算是除法运算的7-27倍。近似某些替代$ f $意味着将其分解为基本运算,通常是乘法和加法,其总和为多项式。可以将它们优化为直接近似于通过$ f $的正弦。
$ \ endgroup $
–奥利·尼米塔洛(Olli Niemitalo)
18-2-3在16:12
$ \ begingroup $
@OlliNiemitalo,我明白你的意思了……如果除法运算比乘法运算慢得多(而且我想像根/小数指数之类的运算甚至会更糟),那么采用上述方法的“好,快速$ f_0 $”最终会变成类似泰勒级数的多项式。我猜想因为无论如何都是近似值,某种廉价的根近似值可能会在某种程度的准确性上超过多项式方法,但是对于本质上应该是数学问题的杂草来说,这是有点不足的。
$ \ endgroup $
–访客
18年2月4日在8:09
#4 楼
您是出于理论原因还是在实际应用中询问此问题?通常,当您在有限范围内计算函数的成本很高时,最佳答案是一组查找表。
一种方法是使用最合适的抛物线:
n = floor( x * N + .5 ); d = x * N - n; i = n + N/2; y = L_0 + L_1[i] * d + L_2[i] * d * d;
通过在满足d的值的每个点处找到抛物线,它们分别是-1 / 2、0和使用1/2而不是使用0的导数,而是要确保连续逼近。您还可以移动x值而不是数组索引来处理负x值。
Ced
============= =====================================
后续行动:
找到很好的近似值所付出的努力和结果非常令人印象深刻。我对无聊和平淡的分段抛物线形解决方案的比较感到好奇。毫不奇怪,它的性能要好得多。结果如下:
Method Minimum Maximum Mean RMS -------- -------- -------- -------- -------- Power -8.48842 1.99861 -4.19436 5.27002 OP S_3 -2.14675 0.00000 -1.20299 1.40854 Bhask -1.34370 1.63176 -0.14367 0.97353 Ratio -0.24337 0.22770 -0.00085 0.16244 rbj 5 -0.06724 0.15519 -0.00672 0.04195 Olli5C -0.16367 0.20212 0.01003 0.12668 Olli5 -0.26698 0.00000 -0.15177 0.16402 Olli7C -0.00213 0.00000 -0.00129 0.00143 Olli7 -0.00005 0.00328 0.00149 0.00181 Para16 -0.00921 0.00916 -0.00017 0.00467 Para32 -0.00104 0.00104 -0.00001 0.00053 Para64 -0.00012 0.00012 -0.00000 0.00006
值代表近似值与实际值之间的误差,即从0.00到1(含0)的每0.00001的近似值与实际值之间的误差。总计10001分。比例会转换为计算从0到$ \ pi / 2 $的函数,但Olli Niemitalo方程使用的是0到1的比例。列值应从标题中清除。结果不会以.001的间距变化。
“ Power”行是等式:$ x- \ frac {x ^ e} {6} $。
rbj 5行与Matt L的c5解决方案相同。
16、32和64是具有抛物线拟合的间隔数。当然,在每个区间边界处,一阶导数都具有不明显的不连续性。该函数的值是连续的。增加间隔数只会增加内存需求(和初始化时间),不会增加逼近所需的计算量,该计算量少于任何其他方程式。我之所以选择2的幂,是因为在这种情况下定点实现可以通过使用AND来节省除法。另外,我不希望计数与测试抽样相称。
我确实运行了Olli Niemitalo的python程序,并将其作为打印输出的一部分:“我认为候选解决方案176 of 120”这很奇怪,所以我要提及它。
如果有人希望我包括其他任何一个方程式,请在评论中让我知道。分段抛物线近似。整个测试程序太长,无法发布。
#============================================================================= def FillParab( argArray, argPieceCount ): # y = a d^2 + b d + c # ym = a .25 - b .5 + c # y = c # yp = a .25 + b .5 + c # c = y # b = yp - ym # a = ( yp + ym - 2y ) * 2 #---- Calculate Lookup Arrays theStep = pi * .5 / float( argPieceCount - 1 ) theHalf = theStep * .5 theL0 = zeros( argPieceCount ) theL1 = zeros( argPieceCount ) theL2 = zeros( argPieceCount ) for k in range( 0, argPieceCount ): x = float( k ) * theStep ym = sin( x - theHalf ) y = sin( x ) yp = sin( x + theHalf ) theL0[k] = y theL1[k] = yp - ym theL2[k] = ( yp + ym - 2.0 * y ) * 2 #---- Do the Fill theN = len( argArray ) theFactor = pi * .5 / float( theN - 1 ) for i in range( 0, theN ): x = float( i ) * theFactor kx = x / theStep k = int( kx + .5 ) d = kx - k argArray[i] = theL0[k] + ( theL1[k] + theL2[k] * d ) * d #=============================================================================
======================== ===============
附录
我从原始帖子中将Guest的$ S_3 $函数包括为“ OP S_3”和来自注释的Guest的两个参数公式为“比率”。两者均为0到1的标度。我认为比率一不适合在运行时进行计算或建立查找表。毕竟,对于CPU而言,它的计算量远远超过了普通的sin()调用。从数学上来说这很有趣。
评论
$ \ begingroup $
干得好!我修复了该错误(“ 120个中的176个”)。
$ \ endgroup $
–奥利·尼米塔洛(Olli Niemitalo)
18年2月3日在20:12
$ \ begingroup $
很好的更新,这对我来说现在更有意义。 $ x- \ frac {x ^ e} {6} $可能不需要测试,我把它扔在那里,因为我试图弄清楚$ e $的重要性,而这似乎在不断涌现。我在玩这个。要测试的更好的理性表达式可能像这样:$ f_0 \ left(x \ right)= \ left | x \ right | ^ a \ operatorname {sign} \ left(x \ right)$; $ b = f_0'\ left(1 \ right)$; $ f_1 \ left(x \ right)= f_0 \ left(x \ right)-bx $; $ c = \ frac {1} {f_1 \ left(1 \ right)} $; $ f_2 \ left(x \ right)= f_1 \ left(x \ right)c $ ...现在$ a $应该设置为大约$ 2 \ frac {2} {3} $ ...
$ \ endgroup $
–访客
18-2-4在8:38
$ \ begingroup $
...或$ f_0(x)$几乎可以是任何其他奇对称函数; S形看起来像$ \ frac {a ^ x-1} {a ^ x + 1} $一样运作良好(但是,当然需要找到$ a $的正确值)。这是一个情节...就像Olli提到的那样,这对于即时计算可能不切实际,但我想它可能对构建查找表有用。
$ \ endgroup $
–访客
18-2-4在8:42
$ \ begingroup $
或更准确的2参数版本,$ \ frac {a_0 ^ x-a_1 ^ x} {a_0 ^ x + a_1 ^ x} $与$ a_0 \ approx \ frac {1}看起来相当不错{3} $和$ a_1 \ approx \ frac {10} {9} $
$ \ endgroup $
–访客
18年2月4日在10:23
评论
那么,“更紧密”的错误术语定义是什么?据我所知,您引用的泰勒级数是有限数量系数的最小L²误差近似值。 (我认为。)顺便问一下,您的目标是什么?这可能真的有助于告诉我们您为什么要寻找多项式波形整形器,基于什么技术基础以及近似的主要目标是什么。
@MarcusMüller我愿意为便宜得多的东西牺牲泰勒级数的准确性,如果它与正弦波与人耳无法区分的话。泰勒级数逼近的峰值也困扰着我。我有兴趣找到比我列出的其他两个功能“更紧密”的东西。我怀疑它不会比$ S_2 $更便宜。
在这里“人耳”很关键:)为什么山峰会“生”你呢?再说一遍:让我们知道为什么/出于什么目的以及在什么限制下这样做。没有足够的背景知识,您的问题就太广泛了,无法正确回答!
为什么从三角波开始?正弦发生器很简单而且很常见,方波被简单地过滤到基波谐波,等等。