线性代数方程组列处理法分治策略

利用列处理法和分治策略给出一种求解任意线性代数方程组AX=b(A∈R^nxm)的迭代分治算法，证明算法对任意的相容性线性代数方程组收敛于它的一个解而对任意的不相容性线性代数方程组收敛于它的一个最小二乘解，并探讨算法的加速技术及其在线性代数方程组MIMD并行迭代算法研究中的应用前景。     

线性代数方程组行处理法分治策略

利用行处理法和分治策略给出一种求解任意线性代数方程组AX=b(A∈Rn×m)的迭代分治算法,证明算法对任意的相容性线性代数方程组收敛,并探讨算法的加速技术及其在线性代数方程组MIMD并行迭代算法研究中的应用前景.     

线性方程组并行行处理法贪心方法

利用格拉姆-施密特(Gram-Schmidt)正交化方法、行处理法贪心方法和分治策略给出一种求解任意线性代数方程组的并行数值方法,证明该方法对任意的相容性线性代数方程组收敛,分析其计算复杂度和数值稳定性,探讨其在线性代数方程组消息传递并行算法研究中的应用前景。     

线性代数方程组通解行处理法

利用Gram-Schmidt正交规范化方法给出了一种判断任意线性代数方程组相容性以及确定此方程组解结构的数值方法,分析了对应算法的计算复杂度、数值稳定性及内在并行性.     

三对角方程组行处理法并行算法模拟

给出一个串行模拟在分布式存储MIMD一级3叉树机上求解任意三对角线性代数方程组的分布式迭代算法的C语言程序。     

三对角方程组行处理法并行算法模拟

给出一个串行模拟在分布式存储ＭＩＭＤ一级３叉树机上求解任意三对角线性代数方程组的分布式迭代算法的Ｃ语言程序。     

线性系统单输入的2种简单的极点配置算法

对线性系统的单输入情况,提出2种简单的极点配置算法.2种方法都将未知量归结为一个线性代数方程组的解,而这个线性代数方程组系数矩阵的每一行均为系数矩阵是三角形的线性代数方程组的解.该算法计算简单,计算量少.第一种方法还同时求出配置后矩阵的特征向量,为系统设计提供参考;第二种方法的计算量更少.对第一种方法进行误差分析,证明只要计算精度充分高,都能达到对任意给定的大于0的极点配置误差要求.     

带加速因子的线性方程组通用性迭代解法

在行处理法的基础上,提出一种带加速因子的线性方程组通用性迭代算法,用几何方法证明了该算法的正确性,并对加速因子进行了简单讨论.该算法可保证对任意相容线性代数方程组均收敛,且容易并行计算和加速.     

用行处理法求解对称系数矩阵线性代数方程组的算法及实现

给出利用线性代数方程组行处理迭代解法求对称系数矩阵线性代数方程组的一个特解的算法及实现     

线性代数方程组的通用性迭代解法的程序实现

给出利用线性代数方程组的通用性迭代解法求线性代数方程组的一个特解的算法描述及Ｃ语言实现     

带状方程组q叉树MIMD算法

利用行处理法贪心方法和分治策略给出一个基于分布式存储MIMD一级q叉树树机模型求解任意带状方程组的并行迭代算法，证明算法对相容性带状方程组收敛并分析算法的通信复杂度。     

基尔霍夫方程组行处理法

称由基尔霍夫（Kirchhoff）定律建立的线性代数方程组为基尔霍夫方程组．针对基尔霍夫方程组的性质特点，利用线性代数方程组正交化行处理法，给出了求解基尔霍夫方程组的一种新的数值方法并分析了此方法的应用前景．     

线性方程组分级行处理法贪心方法

给出了在分布式存储的MIMD树机模型上求解任意相容性线性方程组的分级行处理法贪心方法,证明算法收敛并分析算法的通信复杂度。     

带状方程组二叉树MIMD算法

利用行处理法和分治策略给出了一个基于分布式存储MIMD二叉树树机模型求解任意带状方程组的并行迭代算法,证明算法对相容性带状方程组收敛并分析算法的通信复杂度.     

常系数线性中立型微分方程周期解存在唯一的充要条件

本文利用Fourier级数讨论具有常系数的任意阶中立型泛函微分方程的周期解，除一种特殊情况外，我们得到了用有限代数方程组描述的周期解存在唯一性的充要条件，对这种特例，我们也得到了若干实用结果．     

三对角方程组行处理法并行解法

利用行处理法和分治策略给出一个求解任意三对角方程组的并行迭代解法 ,证明了所给解法对任意相容性三对角方程组收敛 ,讨论了所给解法的迭代终止条件 ,进而讨论了其对应分布式MIMD并行迭代算法的设计法则 .按照并行解法 并行计算机 =并行算法的模式 ,使用给出的并行解法 ,可以给出一些求解三对角方程组的新的MIMD并行迭代算法 .     

一种用Fourier级数辨识延时线性系统的算法

本给出了一种改进的Ｆｏｕｒｉｅｒ级数辨识延时线性系统的算法。通过Ｆｏｕｒｉｅｒ级数的运算算子矩阵，将描述系统的微分方程化为代数方程，再使用最小二乘方法即可求得系统的参数估计。本的算法简单，节省了ＣＰＵ存贮空间，更便于实用。