稀疏线性方程组求解的逐次超松弛迭代法

针对稀疏线性方程组求解问题，在论述迭代法离散化处理基础上，以二维热传导方程为例，导出了热传导方程离散化后线性方程组，用超松弛（SOR）迭代法对产生的稀疏线性方程组进行迭代法求解，并分析了收敛性和收敛速度，将超松弛迭代算法在计算机上实现，得出了一组与精确解较接近的数值解，验证了逐次超松弛（SOR）迭代法的精确性。     

线性不等式约束优化问题的仿射内点不定dogleg算法

使用仿射变换内点回代技术的不定dogleg算法解线性不等式约束的非线性优化问题．通过对构造的仿射不定dogleg路径进行搜索得到迭代方向,结合线搜索内点回代技术获得可接受的步长因子,产生保证目标函数值单调下降的严格内点可行迭代序列．在合理的假设条件下。给出了不定dogleg路径的良好性质,从而证明了算法不仅具有整体收敛性,而且保持超线性收敛速率．数值计算结果表明了算法的有效性．     

关于Fibonacci数列与Lucas数列的一个注记

采用矩阵对角化方法给出一类与H ecke群有关的F ibonacci数列和Lucas数列的通项公式,并给出OZGUR 2005年此方面工作的一个简化证明,同时指出H ecke群与二阶矩阵群之间的一个联系方法.     

动态滤波反投影图像重建算法研究

图像重建算法是过程层析成像(Process Tomography,PT)中的关键技术之一.本文提出了一种动态滤波反投影算法(Active Filter Linear Back Projection,AFLBP),并进行了实验仿真.结果表明,采用AFLBP对ECT系统中图像进行重建,可使系统在保持快速成像的同时,较好地解决了敏感场的非均匀分布和固定灰度阈值造成的成像精度问题,大大提高了系统的成像精度.     

基于在线神经网络的自适应控制器的设计与应用

针对线性控制系统自适应性较弱的缺点,在其基础上设计了一种基于在线神经网络的自适应控制器．该控制器根据被控对象和参考模型之间的误差调整网络权值,在线抵消被控对象的未建模动态特性和不确定因素．文中以某小卫星姿态控制系统为例,对所提出的自适应控制器进行设计和仿真．结果表明,神经网络以很高的精度跟踪和在线补偿不确定项,改善了线性控制系统的动态性能．     

判断空间中若干几何图形位置关系的教学设计

线性代数有着非常广泛的应用.判断空间中几何图形的位置关系是空间解析几何的重要内容,同时也是线性代数的一种重要应用.这些知识点与线性代数中矩阵的秩、线性方程组等内容相互关联,形成了一个有机整体.探讨利用线性代数的相关理论判断空间中若干几何图形位置关系的教学设计.     

基于描述函数法的直线增程器动力学模型极限环分析

基于一个简化的直线増程器动力学模型,运用描述函数法在频域对直线増程器的极限环进行研究.以描述函数表示直线増程器动力学模型的非线性部分,利用描述函数和线性部分频率响应函数的图像对系统极限环的存在性、数量和稳定性进行了分析,进而求出极限环的近似频率和振幅.同时研究了直线増程器关键运行参数对极限环的频率、振幅和相对稳定性的影响.最后,以一样机的试验数据对分析结果进行试验验证.研究结果表明,在适当的系统参数下,直线増程器在物理约束范围内存在唯一的稳定极限环;喷油量和电磁力负载对极限环的频率和振幅都有影响;极限环的幅值与其相对稳定性存在关联.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

Dashnic-Zusmanovich+矩阵线性互补问题解的误差界估计

利用Dashnic-Zusmanovich₊矩阵的定义,通过不等式放缩技巧和Dashnic-Zusmanovich矩阵逆的无穷范数估计式得到Dashnic-Zusmanovich₊矩阵线性互补问题解的误差界.     

基于split-and-conquer和非参数向前选择法的变量选择

变量选择是统计学界研究的重要课题之一.当处理高维数据时,一些常用的变量选择方法大多比较耗时,因此提出了一种既能筛选出高维数据中的变量又能节省时间的方法:基于split-and-conquer的非参数向前选择法.首先使用split-and-conquer方法将数据进行拆分,然后使用B样条函数逼近的非参数向前选择法进行研究.实验结果表明:基于split-and-conquer的非参数向前选择法可以较好地将变量选择出来,并且节省了大量时间.