线性插值法解块状五对角线性代数方程组

针对特殊结构的块状五对角大型线性代数方程组建立了一种线性插值求解方法,该方法所需要的乘除法运算量随着子方程的个数呈线性增长,而通常的Gauss消去法所需要的乘除法运算量随着子方程的个数呈立方增长。     

线性插值法解块状上Hessenberg线性代数方程组

针对特殊结构的块状上Hessenberg大型线性代数方程组建立了一种线性插值求解方法,该方法所需要的乘除法运算量随子方程的个数呈平方增长,而通常的Gauss消去法所需的乘除法运算量随子方程的个数呈立方增长。     

解三对角线性代数方程组的并行算法

对求解三对角线性代数方程组的问题，采用了Ｅ－Ｏ技术，将传统的串行方法并行化，得到一种求解三对角线性代数方程组的并行算法．并举例在计算机上模拟实现     

求解一类周期三对角方程组的参数法

本文建立求解一类周期三对角和周期块三对角方程组数值解的参数算法.其运算量与求解线性方程组的LU分解法相比有明显的优势.数值实验表明此算法是有效的.     

求解循环三对角方程组的追赶法

利用LU分解的思想,首先将循环三对角方程组的系数矩阵A分解成3个矩阵的乘积LUD,其中L是下三角矩阵,U是单位上三角矩阵,D是拟对角矩阵(每行只有两个非零元素,前n-1行非零元位于主对角线和最后一列上,第n行非零位于第1列和最后一列上);然后,运用追赶法的思想依次用前代法("追")解出Lu=d的解,回代法("赶")解出Uv=u的解;再利用Dx=v的第一行和最后一行求出未知量Xn,进而回代求解出所有未知量.该方法虽然将系数矩阵分解成3个矩阵的乘积,但计算过程并不复杂,总的算数运算量只有O(14n).小于传统算法的计算量(O(17n)).文章对数值计算的稳定性进行了分析.当矩阵A对角占优且2|ai|≤|bi|时,算法是数值稳定的.数值试验结果与理论分析相吻合.     

追赶法并行求解循环三对角方程组

给出了求解循环三对角线性方程组的一种并行算法.在系数矩阵满足对角占优的条件下,利用该方法能够快速、稳定地求解循环三对角线性方程组,在单个进程上的计算量仅为○(17n).与传统算法求解循环三对角线性方程组的计算量相同.而且,本算法可以方便地实施分布式并行计算,各进程仅需向主进程传递8个实数,而主进程向各子进程传递2个实数,通讯量较小.数值实验结果表明:对于大规模的循环三对角线性方程组.利用16个进程计算的并行效率均在0_75以上.求解三对角线性方程组的传统追赶法实则是本文算法的一种特例,因此.该算法也可用于求解三对角线性方程组.     

对称三对角矩阵与周期Jacobi矩阵的广义逆

利用分块矩阵的方法,给出了对称三对角矩阵的广义逆,以及当Jacobi矩阵可逆时,周期Jacobi矩阵的广义逆.     

并行求解拟三对角方程组的二分算法

用并行算法设计的基本技术－二分法，给出了拟三对角线性方程组的直接解法。     

并行求解三对角方程组的二分消元法

本文讨论用二分技术设计求解三对角方程组的并行算法,其中包括并行追赶法、奇偶消元法、奇偶约化法和块消元法等。文中阐述了这些算法的二分法特征。     

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。     

E-Vandermonde类方程组的快速算法

Vandermonde方程组在数值计算中有着重要用途,其数值解法备受许多研究者关注,它除了可以用常见的算法求解外,还可利用一些快速算法.文中将Vandermonde方程组的系数矩阵推广到E-Vandermonde矩阵,给出更具广泛意义的两类E-Vandermonde方程组的快速解法.在推导过程中,引入了向量函数差商的概念,并推出向量函数的Newton插值公式.同Gauss消去法,LU分解法等常见的算法相比,新算法计算量小,其乘除运算的次数由O13n3减少到O n2,因而也更适用于求解较大规模的方程组.数值试验本算法具有较高的精度.     

线性代数方程组的非定常二级多分裂迭代法

本文邮并行求解线性代数方程组的非定常二级多分裂迭代法（ＮＳＴＳＭ方法）,给出了对任意ｓ（ｉ）≥１,ｉ＝１,２,…,该方法均收敛的关于分裂的条件,进一步研究了系统矩阵时（此时不要求是单调的）该方法的收敛性。     

预处理ICCG法求解稀疏病态方程组

针对一般的对称正定线性代数方程组,首先给出了常用的不完全Cholesky分解预处理技术;然后通过改进对称逐次超松弛(SSOR)预处理矩阵形式提出SSOR-ICCG算法及其改进算法,并讨论了算法的收敛性;最后进行数值模拟仿真实验,数值结果表明,该算法是有效可行的,且较之一般的预处理不完全Cholesky共轭梯度法(ICCG方法),该算法在求解稀疏病态方程组方面具有优越性.     

基于矩阵线性插值的说话人自适应算法

语音识别技术中说话人快速自适应技术受到普遍关注。最大似然模型插值 (maxim um likelihood model inter-polation,ML MI)算法是一种有效的快速自适应算法 ,它的主要缺点是需要存储大量的特定人模型。为克服这一缺点 ,该文提出一种改进方法——矩阵线性插值自适应算法。该算法用表示说话人特性的矩阵代替 ML MI中的特定人模型进行线性插值。而插值系数由测试者提供的语音数据按照最大似然准则确定。插值后的线性矩阵与非特定人模型相作用得到最终的说话人自适应模型。该算法大大减少了计算存储量 ,且自适应性能基本与 ML MI相当     

线性方程组与它的导出方程组解之间的关系

本文讨论了n元线性方程组与它的导出方程组解之阅的关系。     

复线性方程组ABS方法

首次给出求解复线性方程组的 ABS算法 .它是通过研究复矩阵空间 Cm× n( m≥ 1 ,n≥ 1是任意整数 )与 R2 m× 2 n中一个子空间的同构关系得到的 .证明了复 ABS算法与求解一特殊块结构的实方程组的分块 ABS算法是一一对应的 .给出了复 ABS算法的若干重要性质 .     

求解非线性伪抛物方程的重心Lagrange插值配点法

提出了重心Lagrange插值配点法求解一类非线性伪抛物方程。首先,介绍了重心Lagrange插值并给出了微分矩阵表达式。其次,构造了求解非线性伪抛物方程的直接线性化迭代格式、部分线性化迭代格式、Newton线性化迭代格式。再次,未知函数和初边值条件利用重心Lagrange插值函数来近似,利用配点法得到离散方程,获得了方程的矩阵表达式。最后,数值算例表明,重心Lagrange插值配点法具有高精度和高效率的优点。     

求解病态线性方程组的共轭向量基算法

结合最速下降法计算量小和共轭方向法收敛速度快的特点,提出了一种求解病态方程组的共轭向量基的方法。线性方程组的精确解能够由共轭向量基线性表示,利用迭代的方式给出了构造共轭向量基以及对应系数的方法,证明了算法所构造的向量基的共轭性。同时给出了一个改进算法以适合不同精度要求,加快迭代的收敛速度。通过对5000阶的Hilbert方程组进行求解,结果的相对误差小于0.45％,并与当前普遍使用有效的方法进行了比较,数值实验结果表明,该算法适合求解大型病态线性方程组,且具有快速收敛,精度较高的特性。