解线性方程组的迭代方法研究

用求解线性方程组的多参数投影法推出Jacobi迭代法和Gauss-Seidel迭代法,并指出了松弛迭代法和Gauss-Seidel迭代法的内在联系.从最优化的观点分析了Jacobi迭代法收敛速度较慢的原因,即其下降矩阵与步长向量两者并非最优组合.并对Jacobi迭代法,Gauss-Seidel迭代法具有相当的收敛速度给出了合理的解释.     

严格对角占优矩阵的迭代法

对于给定的线性方程组,在求数值解时常采用Jacobi、Guass-Seidel和SOR迭代法进行求解.给出了在严格对角占优条件下Jacobi、Guass-Seidel和SOR收敛的误差.在三者中Guass-Seidel迭代法的误差上界比Jacobi迭代法和SOR迭代法的误差上界小,因此采用Guass-Seidel迭代法来进行求解严格对角占优阵是一种较好的选择.     

Jacobi和Gauss—Seidel迭代法收敛性的判定

给出了Jacobi和Gauss-Seidel迭代法收敛的新的判定准则，同时给出了块Jacobi和Gauss-Seidel迭代法收敛的新的判定准则。     

基于混合编程模式的Jacobi迭代并行算法

为了提高Jacobi迭代法在集群中解线性方程组的计算速度,在Jacobi迭代法中引入MPI＋OpenMP混合编程模型,基于该模型,在集群中实现混合并行设计,分析Jacobi迭代法并行性,在已有的串行迭代基础上,实现并行算法,可有效改善系统性能,提高计算速度。     

关于JOR迭代法的收敛性

借助非扩张映射不动点的理论,受到Krasnoselskii—Mann迭代格式的启发,提出了从Jacobi迭代法到JOR迭代法一种简单明了的定义方式,并且得到了JOR迭代法收敛的充分条件,给出了相关数值实例。     

基于通用图形处理器的Jacobi算法研究

迭代法解线性方程组在工程和科学计算的各个领域都有着十分广泛的应用。文章介绍了Jacobi迭代法在支持CUDA的GPU上的映射以及实现。实验结果表明,Jacobi算法适合CUDA的计算架构,能够有效地利用GPU计算能力,获得良好的性能。     

线性代数方程组迭代解法的MATLAB实现

针对解线性代数方程组的Jacobi迭代法、Guass—Seidel迭代法和SOR迭代法,给出这几种迭代解法的矩阵表达式、算法分析和MATLAB编程实现;同时,给出应用于求解数学模型的实例．     

Jacobi与Gauss-Seidel迭代法求解线性方程组收敛性比较与研究

Jacobi迭代法和Gauss-Seidel迭代法是计算机求解线性方程组常用的两种迭代法,但是这两种方法对方程的收敛性要求很严,大部分方程组均不能用以求解.给出一些基本技巧:对于简单的2阶方程组,若Jacobi法与Gauss-Seidel法均发散,可交换其两行求得其解;对一般性方程,给出一个应用性较强的定理,将方程Ax=bAT Ax=ATb,可以用Gauss-Seidel求得任何|A|≠0方程组的解.     

LS-MIMO系统基于经典迭代法的低复杂度检测算法

针对大规模多输入多输出（LS-MIMO）系统最小均方误差（MMSE）检测算法计算复杂度高的问题,提出了基于经典迭代法的低复杂度信号检测算法,包括Jacobi迭代法、高斯-赛德尔迭代法和逐次超松弛迭代法. 从精确解的近似值出发,在较少的迭代次数中可获得高效而精确的解,而且计算复杂度相比MMSE检测算法下降一个数量级. 仿真结果表明,迭代检测算法经过有限的迭代能够达到近似MMSE检测算法的误码率性能.     

迹占优矩阵特征值分布的进一步研究

进一步讨论了迹占优矩阵的性质.先讨论了迹占优矩阵和亚正定矩阵之间的关系,然后给出了迹占优矩阵行列式的一个估计,最后证明了如果系数矩阵为迹占优矩阵,Jacobi迭代法是收敛的.     

波动逆散射的正则化方法研究Ⅱ

积分方程方法是求解波动逆问题的一种新方法 ,它利用积分算子有效地将散射物边界数据映射到远场或者近场测试的数据上 ,从而避免了迭代和优化方法中正问题的求解 ;但是 ,所得的第一类和第二类积分方程是不适定的 ,这样就需要用到正则化方法。文中着重就第一类不适定的积分方程的正则化方法加以探讨。     

系统辨识(7)：递阶辨识原理与方法

递阶辨识是系统辨识的一个重要分支.递阶辨识原理是在大系统递阶控制的“分解-协调原理”基础上发展起来的,它不仅能够解决参数数目多、维数高、大规模系统辨识算法计算量大的问题,而且能够解决结构复杂的双线性参数系统、多线性参数系统以及非线性系统的辨识问题.首先介绍递阶辨识原理和线性方程组Ax=b的著名雅可比迭代和高斯-赛德尔迭代,给出了线性方程组的迭代方法族;其次将雅可比迭代思想和递阶辨识原理用于研究一般矩阵方程和耦合矩阵方程的递阶梯度迭代求解方法和递阶最小二乘迭代求解方法;再次介绍了方程误差模型的两阶段最小二乘辨识方法(一个简单的递阶辨识方法)和线性回归模型的递阶最小二乘辨识方法;最后研究了类多变量CARMA系统的递阶辨识方法.     

Jacobi迭代预处理中的条件数与迭代次数的关系

为改进共轭梯度法的性能，降低方程组系数矩阵的条件数，需对原方程进行预处理。在Jacobi迭代预处理中矩阵的条件数并不随迭代次数的增加而单调减少，而是有所起伏。通过对Jacobi迭代矩阵G的特征值情况的分析，讨论了矩阵的条件数与迭代次数的关系。     

系统辨识(5):迭代搜索原理与辨识方法

递推辨识与迭代辨识构成了两类重要的参数估计方法.递推辨识的递推变量与时间有关,因而可以用于在线估计系统参数;迭代辨识的迭代变量是自然数,与客观世界的时间无关,通常用于离线估计系统参数.基于辅助模型辨识思想、多新息辨识理论、递阶辨识原理、耦合辨识概念等辨识方法都可以用递推算法和迭代算法实现.迭代方法渊源很早,如求解矩阵方...     

利用变厚度单元进行平面连续体的拓扑优化

提出了用变厚度矩形有限单元求解变厚度平面连续体拓扑优化问题的方法。根据计算出的每一节点处的应力,利用满应力设计方法的应力比公式,改变板在节点处的厚度,删除厚度过小处的单元,重新形成结构拓扑和刚度矩阵。按以上过程反复 迭代,实现拓扑优化。这种方法使得各单元间的厚度连续变化,在未增加单元及节点数量的情况下,提高了计算精度,减少了迭代次数。迭代过程中,矩形单元退化为常应变三角元,使结果的边界过渡更为光顺。中推导了变厚变矩形有限单元的单元刚度矩阵。     

一种实用的线性方程组迭代预处理算法

针对传统解线性方程组Ax=b的迭代法的局限性,通过引入全主元矩阵的概念,提出了一种改进算法,先将线性方程组的系数矩阵A变换成全主元矩阵,然后再进行迭代。数值实验结果表明:该算法可大大提高迭代法的收敛比率。     

修正的共轭梯度法在两种线搜索下的全局收敛性

针对参数βk的不同选取可以构成不同的共轭梯度法,给出了一类求解无约束最优化问题的修正的共轭梯度算法,这种算法能够在较弱条件下证明选定的卢。在每一步都能产生一个下降方向,且在Wolfe线搜索下具有全局收敛性．另外这种算法在另一种Wolfe搜索条件下,若搜索方向为下降时,也具有全局收敛性．