清華大學(xué)《數(shù)值分析A》－第04章.數(shù)值積分 梯形 Simpson Romberg Gauss型求積 數(shù)值微分
標(biāo)簽： Simpson Romberg Gauss 數(shù)值
上傳時(shí)間： 2016-08-27
上傳用戶：hongmo
按FPE定階的 源程序：fpe.cpp M序列：M序列.txt 白噪聲：Gauss.txt 程序中先用依模型階次遞推算法估計(jì)模型的參數(shù)，再用fpe方法判斷模型的階次。 程序運(yùn)行結(jié)果如下： n: 1 判斷階次FPE的值: 0.0096406 -0.481665 1.07868 n: 2 判斷階次FPE的值: 0.00875755 -0.446739 0.00498181 1.07791 0.0527289 n: 3 判斷階次FPE的值: 0.0087098 -0.459433 0.120972 -0.0569228 1.07814 0.0390757 0.116982 n: 4 判斷階次FPE的值: 0.000396884 -0.509677 0.4501 -0.200906 0.0656188 1.07991 -0.0156362 0.442989 0.0497236 n: 5 判斷階次FPE的值: 3.2095e-007 -1.18415 0.813123 -0.517862 0.34881 -0.116864 1.07999 -0.744141 0.474462 -0.253112 0.122771 n: 6 判斷階次FPE的值: 3.23349e-007 -1.14659 0.76933 -0.487651 0.329676 -0.10377 -0.00440907 1.07999 -0.703574 0.447253 -0.235282 0.113587 0.00479688 從以上結(jié)果可以看出，當(dāng)n=5時(shí)，fpe值最小，所以這時(shí)的模型階次和參數(shù)估計(jì)值為最優(yōu)結(jié)果： 3.2095e-007 -1.18415 0.813123 -0.517862 0.34881 -0.116864 1.07999 -0.744141 0.474462 -0.253112 0.122771
上傳時(shí)間： 2013-12-11
上傳用戶：yd19890720
gauss 離散型計(jì)量估計(jì)源代碼,直接下載下來(lái)就可以使用
上傳時(shí)間： 2013-12-19
上傳用戶：米卡
SOR法解線性方程組（逐次超松弛法）是Gauss-Seidel的改進(jìn)方法
標(biāo)簽： Gauss-Seidel SOR 解線性 方程
上傳時(shí)間： 2014-01-15
上傳用戶：ls530720646
計(jì)算機(jī)數(shù)值方法中g(shù)auss列主元素消去法的演示算法
標(biāo)簽： gauss 計(jì)算機(jī) 數(shù)值 元素
上傳時(shí)間： 2016-11-28
上傳用戶：manking0408
gauss法求解線性方程組fortran
標(biāo)簽： fortran gauss 解線性 方程
上傳時(shí)間： 2016-12-18
上傳用戶：ecooo
Gauss,加速迭代,拉格朗日插值法,龍貝格算法,牛頓迭代算法，梯形法積分，自適應(yīng)梯形公式
上傳時(shí)間： 2016-12-21
上傳用戶：xsnjzljj
使用：Gauss消元，列主元Gauss消元，平方根法（對(duì)稱陣），改進(jìn)的平方根法 解著名的病態(tài)矩陣Hilbert矩陣為系數(shù)的方程
標(biāo)簽： Gauss
上傳時(shí)間： 2016-12-24
上傳用戶：cylnpy
Train a two layer neural network with a recursive prediction error ％ algorithm ("recursive Gauss-Newton"). Also pruned (i.e., not fully ％ connected) networks can be trained. ％ ％ The activation functions can either be linear or tanh. The network ％ architecture is defined by the matrix NetDef , which has of two ％ rows. The first row specifies the hidden layer while the second ％ specifies the output layer.
標(biāo)簽： recursive prediction algorithm Gauss-Ne
上傳時(shí)間： 2016-12-27
上傳用戶：ljt101007
利用gauss分解求解線性方程組，并得到最有解
上傳時(shí)間： 2014-01-09
上傳用戶：tfyt
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
