معادله انتگرالی با هسته وابسته به تفاضل (Integral Equation with Difference Kernel)، در ریاضیات (Mathematics)
انواع معادلات (Equation) را در آموزش زیر شرح دادیم :
معادله انتگرالی با هسته وابسته به تفاضل (Integral Equation with Difference Kernel) :
🔍 تعریف: معادله انتگرالی با هسته وابسته به تفاضل معادله ای است که هسته آن به صورت
\[ K(x,t) = K(x-t) \]باشد. این معادلات از نوع کانولوشن (پیچیدگی) هستند و با تبدیل فوریه یا لاپلاس قابل حل می باشند.
\[ y(x) = f(x) + \lambda \int_a^x K(x-t) y(t) dt \quad \text{(ولترا)} \] \[ y(x) = f(x) + \lambda \int_{-\infty}^{\infty} K(x-t) y(t) dt \quad \text{(فردولم روی خط)} \]📌 ویژگی های اصلی:
همگنی انتقالی: هسته فقط به تفاضل x-t وابسته است، بنابراین نسبت به انتقال ناوردا (invariant) است.
تبدیل فوریه/لاپلاس: با اعمال تبدیل، معادله به یک معادله جبری تبدیل می شود.
کاربرد: در سیستم های خطی ناوردا با زمان، پردازش سیگنال، و مسائل فیزیک.
انواع: می تواند از نوع ولترا یا فردولم باشد.
💡 مثال های متنوع:
🔹 مثال ۱:
\[ y(x) = f(x) + \int_0^x e^{-(x-t)} y(t) dt \]— معادله ولترا با هسته نمایی.
🔹 مثال ۲:
\[ y(x) = f(x) + \int_{-\infty}^{\infty} e^{-|x-t|} y(t) dt \]— معادله فردولم روی خط.
🔹 مثال ۳:
\[ \phi(x) = \int_{-\infty}^{\infty} \frac{y(t)}{x-t} dt \]— تبدیل هیلبرت (با هسته کوشی).
🌍 کاربردها: پردازش سیگنال (فیلترهای خطی)، تئوری کنترل (سیستم های خطی)، فیزیک (معادله پراکندگی)، اپتیک (همدوسی).
📝 نکته جالب: تبدیل فوریه ابزاری قدرتمند برای حل معادلات با هسته تفاضلی است. خاصیت
\[ \mathcal{F}\{f*g\} = \hat{f} \cdot \hat{g} \]معادله را در حوزه فوریه به یک معادله جبری ساده تبدیل می کند.
🧮 روش حل با تبدیل فوریه: برای معادله
\[ y = f + \lambda K * y \]در کل خط، تبدیل فوریه می دهد:
\[ \hat{y} = \hat{f} + \lambda \hat{K} \hat{y} \]⇒
\[ \hat{y}(1 - \lambda \hat{K}) = \hat{f} \]⇒
\[ \hat{y} = \frac{\hat{f}}{1 - \lambda \hat{K}} \]. سپس با تبدیل معکوس، y به دست می آید.
⚠️ نکته: وجود جواب به صفر نبودن
\[ 1 - \lambda \hat{K}(k) \]برای همه k بستگی دارد. نقاطی که این عبارت صفر می شود، می توانند نشانه رزونانس یا مقادیر ویژه باشند.
📈 تبدیل لاپلاس: برای معادلات روی نیم خط (نوع ولترا)، تبدیل لاپلاس مناسب تر است:
\[ Y(s) = F(s) + \lambda K(s) Y(s) \]⇒
\[ Y(s) = \frac{F(s)}{1 - \lambda K(s)} \].
🔬 مثال عددی: معادله
\[ y(x) = e^{-x} + \int_0^x e^{-(x-t)} y(t) dt \]را با تبدیل لاپلاس حل کنید.
\[ K(s) = \frac{1}{s+1} \],
\[ F(s) = \frac{1}{s+1} \]⇒
\[ Y(s) = \frac{1/(s+1)}{1 - 1/(s+1)} = \frac{1}{s} \]⇒
\[ y(x) = 1 \].
