矩阵核心逆的表征与迭代

给出矩阵核心逆的表征与三种迭代格式,即Euler-Knopp迭代,Newton-Raphson迭代和超幂迭代.且研究各迭代格式收敛的充要条件和误差分析,并利用Frobenius范数给出迭代收敛的误差界.     

线性方程组的4种迭代方法

研究了线性方程组的4种迭代方法——Jacobi迭代、Gauss-Seidel迭代、HSS迭代、Richardson迭代,给出了4种迭代方法收敛的充分条件。数值实验进一步表明,在大规模线性方程求解时,迭代矩阵谱半径的大小决定算法的收敛速度;在谱半径小于1的前提下,谱半径越小,则收敛速度越快。     

一种Turbo迭代译码的联合自适应方案

迭代译码可以提高Turbo码的译码性能,但也增加了译码时延。为了降低Turbo译码时延,提出了一种联合自适应优化方案,首先在保证系统总体性能要求的情况下,利用外部自适应迭代准则确定迭代次数,然后在此基础上进一步采用内部迭代停止准则,该联合自适应迭代方案的平均迭代次数比单独的外部和内部迭代方案都小,误帧率性能与外部自适应迭代相当。     

函数及函数序列的迭代估计

函数的迭代是拓扑动力系统的重要研究对象.计算函数的迭代往往是一件很困难的事,因此对迭代进行估计就变得相当重要.首先讨论了函数迭代估计的一个关系式,得到了函数迭代估计的一个更好的结果;然后研究了函数序列在一致收敛下的一个迭代极限问题.不仅表明在一致收敛下极限运算与迭代运算可以交换顺序,同时也得到了函数序列迭代的一个估计关系式.     

单点迭代格式的建立方法

本文探讨迭代函数和初始值对迭代过程的影响,从而给出选取迭代函数和初始值的方法和原则,以建立一种好的迭代格式。     

Jacobi、Gauss-Seidel和SOR迭代收敛性的新判别准则

本文给出Jacobi迭代、Gauss－Seidel迭代和SOR迭代收敛的若干充分条件，拓广了迭代收敛的判别范围，举了数值例子。     

SOR与SSOR以及AOR与SAOR迭代收敛速度之比较

本文对迭代求解大型稀疏线性方程组的两个主要方法SOR和AOR迭代与它们的对称方法SSOR和SAOR迭代的收敛速度进行了比较,指出:当系数矩阵为相容次序矩阵时,如果不进行半迭代加速度处理,则对称迭代方法的效率并不高于原迭代方法。     

非线性系统开闭环PID型迭代学习控制的收敛性分析

针对一类参数未知非线性的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,这种迭代学习律同时利用了系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,给出了迭代学习控制算法收敛的充分性条件.分析表明,所给出的迭代学习控制律推广了现有的结果.     

迭代式创新、价值创造与企业绩效 ——基于西贝莜面村的案例研究

以西贝莜面村为研究对象,运用案例研究法基于价值创造的视角探讨了迭代式创新对企业绩效的影响机制。研究结果表明;西贝的迭代式创新是一个以价值链为核心,包含用户参与、快速试错、多层次迭代的非线性过程,具体表现为：场景迭代、产品迭代、服务迭代、业务迭代、组织迭代和品牌迭代;西贝的迭代式创新通过价值主张、价值创造、价值传递、价值获取以及价值分配等一系列过程对顾客、员工以及企业等多方面产生了显著的价值创造,进而提升了企业的绩效;价值创造是西贝迭代式创新影响企业绩效的中介机制和重要路径。研究结论丰富了迭代式创新及其实现路径的相关理论体系,对企业创新管理和绩效提升具有显著的理论价值和现实意义。     

基于残差比阈值的迭代终止条件匹配追踪稀疏分解方法

基于传统的迭代终止条件,应用匹配追踪(MP)稀疏分解方法分解高噪信号,研究了固定迭代次数及阈值迭代终止条件的不足.引入相邻残差之比,规格化相邻残差之差,减少了噪声的干扰,设计了残差比阈值迭代终止条件. 采用残差比阈值迭代终止条件,对高噪声超声信号进行稀疏分解,分解过程会根据噪声成分的水平自适应地终止迭代,克服了传统迭代终止条件无法选择迭代终止阈值的问题.理论推导与实验都证明了残差比阈值迭代终止条件具有很强的鲁棒性.     

求解非线性方程的一个新的预测-校正方法

将一种基于数值积分公式的隐式迭代格式与一种改进的牛顿迭代法结合,得到一种新的求解非线性方程的预测-校正方法,并用数值实例来验证该方法.新方法比一些已知的方法收敛阶、收敛精度更高,适合函数类的范围更宽,是一种较优的方法.     

Bernstein算子的推广

给出了２种新的Ｂｅｒｎｓｔｅｉｎ算子,讨论了它们的一致性敛性及在连续函数空间中的收敛阶。     

幂级数和函数分析性质的一种证明

作者在文 [1]中给出了幂级数在收敛区内连续性的一种证明 ,本文直接利用幂级数的收敛性 ,给出幂级数和函数在收敛区间上的分析性质的一种简捷证明。并举例说明方法的实用性     

广义PID实时递归学习算法

利用经典的ＰＩＤ控制思想，在实时递归学习（ＲＴＲＬ）算法基础上，研究了微分项和积分项对目标函数收敛行为的影响．结果表明：只要能动态地调整积分项和微分项，收敛速度就会大大加快且能跨越局部极小值．基于此，提出了改进ＲＴＲＬ算法，包括ＰＩＤ参数自动调整和积分项、微分项动态调整规则．采用遗忘因子有效地解决了过去状态对当前灵敏度过度影响的问题．通过一阶混沌序列预测的仿真表明，文中的算法较之标准ＲＴＲＬ和动量项ＲＴＲＬ算法，有更快的学习收敛速度，且不存在局部极小值     

工业过程稳态优化中的PID型迭代学习控制

给出一种PID型迭代学习算法．对工业过程稳态优化中的动态施行迭代学习控制，加快了动态响应，提高了控制效果．从理论上分析了算法的收敛性，并给出数字仿真结果．     

无约束优化中新的Rosenbrock型算法

在Rosenbrock原始算法的基础上,提出一种新的构造正交方向的方法,并由此产生一种新的Rosenbrock型算法,新算法具有全局收敛性．数值试验表明,新的Rosenbrock型算法切实可行,且就某些算法而言要优于原始的Rosenbrock算法．     

BP网络的一种优质高效学习算法

对ＢＰ算法的突出问题———收敛性进行分析,综合汇集了五条改进措施,提出一种新的算法．计算机仿真结果表明,该算法对于连续函数,收敛效果较佳;用于正弦函数,迭代１５次即满足误差精度要求Ｅｍａｘ＝１０－３．     

关于Lebesgue积分极限理论体系的教学方法探讨

本文对Lebesgue积分极限理论体系的教学方法作了探讨．指出该理论体系的核心定理是Levi单调收敛定理,再由核心定理推导其它定理将使该理论体系简洁明了,找到本质所在可起到事半功倍的作用．同时指出目前国内普遍采用的《实变函数论》教程中关于三大Lebesgue积分极限定理相互等价的说法具有不妥之地     

H值随机级数的收敛性

运用随机变量的分布求随机变量的函数的数学期望的方法,结合H值随机级数收敛的已有结果,得到一类H值随机级数收敛的简明充要条件.     

一类微分-积分方程的数值解

本文用有限差分法和复化梯形公式的混合法来构造一种近似格式,从而求得一类微分积分方程的数值解,并用压缩映象原理证明此数值解的存在性和收敛性。该方法使用方便、可靠,适合于物理和工程领域的实际应用。