基于牛顿冷却定律的时间衰减函数模型

摘要

牛顿冷却定律数学模型一般都是用来与时间有关的衰减的模型上,比如随着时间的变化,用户对某一个品类商品的衰减过程变化,用户在投票过程中对票数衰减过程的模拟等基本原理都是建立在牛顿冷却定律的基础之上,增加相应的边界条件,从而得到适合自己应用场景的模型。

牛顿冷却定律模型

牛顿冷却定律所描述的一件事情是,一个比较热的物体,在一个温度比这个物体低的环境下,这个较热的物体的温度是要降低的,周围的温度是要上升的,最后物体的温度和周围的温度达到平衡,在这个过程中温度的温度变化是不是有规律的啊?我们的大科学家牛顿就考虑了这个问题,并且还真发现了这个规律,这个规律是物体温度的降低速率和物体和

周围当前温度的差成比例关系的,用数学的表示方法就是:

其中:T(t):物体当前的温度

H:为周围的温度

k: 为比例系数

有上述公式可以看出是一个微分方程

牛顿冷却定律模型的求解

由上式可以看出是一个微分方程,而且还是一个很简单的微分方程,只要稍微进行变化就可以进行求解:

对上式做一个变换如下:

对上式再次进行变化,并对等式两边求积分得:

那么上述就是两个最基本的两个求积分的公式:

因此可以得到牛顿冷却定律的求解:

其中B是微分方程求解的求解因子,对上式进行转化可以得到如下的转化关系:

最终的结果中还存在一个变量C,我们需要根据初始条件进行求解,初始条件:T(0):物体的初始温度,H:周围环境的温度,t0初始时刻,带入上式可以得到:

把C的表达式带入到求解的公式中可以得到:

当H等于0是就可以得到如下公式:

就可以看到牛顿冷却公式的衰减过程,k是我们自己设定的衰减系数,经过t时间后,物体当前的问题是由初始温度和衰减速率的乘积

根据牛顿冷却公式再结合我们自己的应用场景,可以给出我们自己的时间衰减相关的数学模型,但是这些模型的基础都是基于牛顿冷却公式。

时间: 2024-12-23 20:28:14

基于牛顿冷却定律的时间衰减函数模型的相关文章

打分排序系统漫谈1 - 时间衰减

打分排序系统的应用非常普遍,比如电影的评分,知乎帖子的热度,和新闻文章的排序.让我们从最简单直观的平均打分开始, 聊聊各种打分方法的利弊和使用场景. 最简单的打分方法当然是一段时间的点赞量综述.显而易见的缺点就是越老的帖子容易拿到更多的赞而长期霸榜,HN用了一种简单的时间方法来考虑时间衰减. Hacker News Algo - 只有点赞 \[ \begin{align} score & = \frac{(v-1)}{(t+2)^G} * pen \ where & v-1 剔除只有一个用

用户画像——“打标签”

用户画像是根据用户社会属性.生活习惯.兴趣爱好和消费行为等信息而抽象出的一个标签化的用户模型,简而言之,就是给用户“打标签”.通过获取用户的信息,并对其进行分析,绘制用户画像. 用户信息可以分为两个维度,静态信息和动态信息,静态信息则指用户的固有属性,如性别,年龄,消费水平等,动态信息则是通过观察用户的一举一动,即获取的用户行为信息. 此外,我们还可将标签分为两种:静态属性标签和动态属性标签.静态属性标签长期甚至永远都不会发生改变,比如性别,出生日期,这些数据都是既定的事实,几乎不会改变:动态属

阮一峰的网络日志 算法

http://www.ruanyifeng.com/blog/algorithm/ 2015年 理解矩阵乘法([email protected]) 蒙特卡罗方法入门([email protected]) 泊松分布和指数分布:10分钟教程([email protected]) 2013年 朴素贝叶斯分类器的应用([email protected]) 相似图片搜索的原理(二)([email protected]) TF-IDF与余弦相似性的应用(三):自动摘要([email protected])

利用GDAL实现影像的几何校正

一.概述 遥感影像和地理坐标进行关联的方式一般有好几种,一种是直接给出了仿射变换系数,即6个参数,左上角地理坐标,纵横方向上的分辨率,以及旋转系数.在这种情况下,求出某一像素点的地理坐标非常容易,直接用公式可以求出,具体代码如下: void CPL_STDCALL GDALApplyGeoTransform(double *padfGeoTransform, double dfPixel, double dfLine, double *pdfGeoX, double *pdfGeoY ) { *

北航物理实验

99级物理实验试题 1. 测量电压表内阻的线路如图所示.为电阻箱,为稳压电源,其内阻可忽略不计.实验测得一组不同值时的电压表读数(见下表).试用一元线性归纳法(不要求计算相关系数和不确定度)求出.   20.0 50.0 100.0 200.0 300.0 400.0   2.80 2.72 2.60 2.38 2.20 2.04 (一元线性回归的计算公式为:) 解: 令,则(由于的有效数字多,精度高,故用做) , ,.   1 2 3 4 5 6 平均   2.8 2.72 2.6 2.33

接触力的计算

游戏或者仿真中要提供接近于真实世界的完整触觉反馈体验,需要VR头戴设备.控制器.外骨骼甚至是行走模拟装置的配合.然而,人类的触觉系统极其敏感,普通人打麻将就能用手指轻轻松松地摸出牌面.在目前的技术基础上,机器很难还原真实的人类触觉反馈,能做的只是在特定的内容和场景中尽量满足用户的反馈体验.比如在VR游戏中抓取武器和物品时,几厘米的偏差,没有准确还原物体材质和纹路,对用户的实际体验影响并不大.除了高精度的外设,要实现触觉或力反馈,还需要强大的物理引擎,虚拟世界中的复杂物体的建模.与用户肢体的触碰非

在VB中使用动态分组报表

机器学习是一项经验技能,经验越多越好.在项目建立的过程中,实践是掌握机器学习的最佳手段.在实践过程中,通过实际操作加深对分类和回归问题的每一个步骤的理解,达到学习机器学习的目的. 预测模型项目模板不能只通过阅读来掌握机器学习的技能,需要进行大量的练习.本文将介绍一个通用的机器学习的项目模板,创建这个模板总共有六个步骤.通过本文将学到: 端到端地预测(分类与回归)模型的项目结构. 如何将前面学到的内容引入到项目中. 如何通过这个项目模板来得到一个高准确度的模板. 寄评蟹嘉欣不型肺涂倍屹幢碌兜兰弦陆

Clustering by fast search and find of desity peaks(基于快速搜索与寻找密度峰值的聚类)

基于快速搜索与寻找密度峰值的聚类(Alex Rodriguez and Alessandro Laio) 摘要:聚类分析目的是基于元素之间的相似度对其进行分类,应用范围从天文学到生物信息学.文献计量学到模式识别.我们提出一种方法,思想基于簇中心具有比其邻居更大密度的特点以及与更大密度点之间有一个相对较大的距离(1.簇中心点有相对高的密度 2.簇中心点之间距离一般较大,即不同类别之间一般距离较远),这种思想形成了簇数目直观出现的聚类机制的基础,自动发现和排除异常点,同时在识别簇时,不用关心其形状和

基于BP神经网络的手写数字识别

一.BP神经网络原理及结构 本部分先介绍神经网络基本单元神经元的结构和作用,再主要介绍BP神经网络的结构和原理. 1.神经元 神经元作为神经网络的基本单元,对于外界输入具有简单的反应能力,在数学上表征为简单的函数映射.如下图是一个神经元的基本结构,  神经元结构 图中是神经元的输入,是神经元输入的权重,是神经元的激活函数,y是神经元的输出,其函数映射关系为 激活函数来描述层与层输出之间的关系,从而模拟各层神经元之间的交互反应.激活函数必须满足处处可导的条件.常用的神经元函数有四种,分别是线性函数