H^1半范数误差阶的详细推导分析

在有限元分析和数值逼近中，$H^1$ 半范数是一种常见的误差度量。它衡量的是函数的一阶导数在一个区间上的误差，与$L^2$ 范数不同，$H^1$半范数主要关注的是导数的误差。

$H^1$ 半范数误差阶的详细推导分析

$H^1$ 半范数定义

对于一个函数 $f(x)$ 和其近似$L(x)$ （如分片线性插值函数），$H^1$半范数定义为函数的导数$f^{\prime }(x)$ 和 $L^{\prime }(x)$在整个区间上的误差的平方根，即：

$$\Vert f-L{\Vert }_{H^1}={\left({\int }_a^b|f^{\prime }(x)-L^{\prime }(x){|}^{2}dx\right)}^{1/2}$$

其中，$[a,b]$ 是函数定义的区间。

分片线性插值的误差函数

假设我们在区间 $[x_i,x_{i+1}]$ 上进行分片线性插值，插值函数 $L(x)$ 在该区间上是线性的，具体表达式为：

$L(x)=\frac{x_{i+1}-x}{x_{i+1}-x_i}f(x_i)+\frac{x-x_i}{x_{i+1}-x_i}f(x_{i+1})$

导数$L^{\prime }(x)$ 是常数：

$L^{\prime }(x)=\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}$

对于实际函数$f(x)$，其导数$f^{\prime }(x)$ 在区间 $[x_i,x_{i+1}]$ 上的一阶导数可以用泰勒展开式近似为：

$$f^{\prime }(x)\approx f^{\prime }(x_i)+f^{\prime \prime }(x_i)(x-x_i)$$

$H^1$ 半范数误差分析步骤

我们将在每个子区间$[x_i,x_{i+1}]$ 上计算导数误差的平方，然后进行积分，并将这些积分结果累加起来得到整个区间的 $H^1$ 半范数。

1. 导数误差:

导数误差 $E^{\prime }(x)$ 可以用实际函数导数和插值函数导数的差异表示为：

$$E^{\prime }(x)=f^{\prime }(x)-L^{\prime }(x)$$

由于$L^{\prime }(x)$是常数，因此：

$$E^{\prime }(x)=f^{\prime }(x)-\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}$$

我们使用泰勒展开式来近似$f^{\prime }(x)$：

$$E^{\prime }(x)=f^{\prime }(x_i)+f^{\prime \prime }(\xi )(x-x_i)-\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}$$

其中$\xi$ 是区间 $[x_i,x_{i+1}]$内的某个点。

我们再将$f(x_{i+1})$ 用泰勒展开式表示为：

$f(x_{i+1})=f(x_i)+f^{\prime }(x_i)(x_{i+1}-x_i)+\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i{)}^2$

2. 导数近似:

因此，导数误差近似为：

$$E^{\prime }(x)=f^{\prime }(x_i)+f^{\prime \prime }(\xi )(x-x_i)-\left(f^{\prime }(x_i)+\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i)\right)$$

简化得到：

$$E^{\prime }(x)\approx f^{\prime \prime }(\xi )(x-x_i)-\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i)$$

3. 平方误差:

平方误差的积分为：

$$\Vert f-L{\Vert }_{H^1}^2={\int }_{x_i}^{x_{i+1}}|E^{\prime }(x){|}^{2}dx$$

$$\approx {\int }_{x_i}^{x_{i+1}}{\left|f^{\prime \prime }(\xi )(x-x_i)-\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i)\right|}^{2}dx$$

4. 误差阶分析:

为了简化计算，我们假设$f^{\prime \prime }(\xi )\approx f^{\prime \prime }({\xi }^{\prime })\approx f^{\prime \prime }$ 是常数：

$$\Vert f-L{\Vert }_{H^1}^2\approx {\int }_{x_i}^{x_{i+1}}{\left|f^{\prime \prime }(x-x_i)-\frac{f^{\prime \prime }}{2}(x_{i+1}-x_i)\right|}^{2}dx$$

5. 积分计算:

进行变量替换 $x=x_i+th$，其中$h=x_{i+1}-x_i$，积分限变为 0 到 1：

$$\Vert f-L{\Vert }_{H^1}^2\approx (f^{\prime \prime }{)}^2{\int }_{x_i}^{x_{i+1}}{\left|(x-x_i)-\frac{h}{2}\right|}^{2}dx$$

积分为：

$$\Vert f-L{\Vert }_{H^1}^2\approx (f^{\prime \prime }{)}^2\cdot h^2\cdot \frac{h}{12}=\frac{(f^{\prime \prime }{)}^2{h}^3}{12}$$

6. 全局 ( H^1 ) 误差:

对于整个区间 ([a, b])，将所有子区间的积分结果累加：

$$\Vert f-L{\Vert }_{H^1}^2\approx \sum _i\frac{(f^{\prime \prime }{)}^2{h}_i^3}{12}$$

假设所有子区间长度大致相同，即 $h_i\approx h$，区间总长度 $b-a$ 被分为 $N$ 个子区间：

$$N\approx \frac{b-a}{h}$$

因此：

$$\Vert f-L{\Vert }_{H^1}^2\approx \frac{h^3}{12}\Vert f^{\prime \prime }{\Vert }_{\infty }^2\cdot N=\frac{h^3}{12}\Vert f^{\prime \prime }{\Vert }_{\infty }^2\cdot \frac{b-a}{h}$$

$$\Vert f-L{\Vert }_{H^1}^2\approx \frac{h^2(b-a)}{12}\Vert f^{\prime \prime }{\Vert }_{\infty }^2$$

取平方根得到 $H^1$ 误差：

$$\Vert f-L{\Vert }_{H^1}\approx {\left(\frac{h^2(b-a)}{12}\right)}^{1/2}\Vert f^{\prime \prime }{\Vert }_{\infty }$$

$$\Vert f-L{\Vert }_{H^1}\approx Ch$$

其中 $C={\left(\frac{(b-a)}{12}\right)}^{1/2}\Vert f^{\prime \prime }{\Vert }_{\infty }$是与函数的二阶导数和区间长度相关的常数。

总结

通过上述分析，我们可以得出，对于分片线性插值，$H^1$ 半范数误差的阶数是 一阶$O(h)$。这意味着当我们将插值点之间的间隔 $h$ 减半时，$H^1$ 误差大约会减半。

图示与验证

为了验证这一结论，我们可以通过实际计算和绘图来展示分片线性插值的 $H^1$ 误差。

示例代码

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import quad

# 定义函数及其导数
def f(x):
    return np.sin(x)

def df(x):
    return np.cos(x)

a, b = 0, np.pi
x_fine = np.linspace(a, b, 1000)
df_fine = df(x_fine)

# 计算H1误差
def compute_h1_error(n_points):
    x = np.linspace(a, b, n_points)
    y = f(x)
    dy_interp = np.gradient(y, x)  # 使用有限差分近似一阶导数
    
    h1_error_squared = 0
    for i in range(n_points - 1):
        xi, xi1 = x[i], x[i + 1]
        dfi = df(xi)