搜索资源列表
shizhifenxi
- 数值分析算法描述与习题解答，由清华大学徐士良教书，用C编写的各种数学算法。比如：托伯利兹型线性代数方程组的递推算法，全选主元高斯消去法解复系数线形代数方程组，复矩阵求逆的全选主元高斯-约当法，等；-numerical analysis algorithm descr iption and answer the questions from Qinghua University XU Shi-liang, teaching C prepared by the various mathematica
Nr_C
- 书是针对工程上常用的行之有效的算法而编写的C语言函数程序集，在第一版的基础上作了修改和扩充。书中包括了近几年出现的许多新算法。全书分为数值计算与非数值计算两部分。其中数值计算部分的内容包括：线性代数方程组的求解、矩阵运算、矩阵特征值与特征向量的计算、非线性方程与方程组的求解、插值、数值积分、常微分方程（组）的求解、拟合与逼近、数据处理与回归分析、极值问题、数学变换与滤波、特殊函数、随机数的产生、多项式与连分式函数的计算、复数运算；非数值计算部分的内容包括：排序、查找、图形模式下读写屏幕象点、基本
CommonArithmetic
- 常用算法大合集； 包括插值、查找、常微分方程组求解、多项工与连分式函数计算、非线性方程与方程组求解、复数运算、汉字操作、基本图形操作、极值问题、矩阵特征值与特征向量的计算、矩阵运算、拟合与逼近、排序、数据处理与回归分析、数学变换与滤波、数值积分、随机数产生、特征函数、图形模式下读写屏幕象点、线性代数方程组求解等C语言算法-algorithms big Collection; Including interpolation, locate, ordinary differential equa
rtejfgds
- 现有的代数特征的抽取方法绝大多数采用一维的方法，即首先将图像转换为一维向量，再用主分量分析（PCA）,Fisher线性鉴别分析（LDA）,Fisherfaces式核主分量分析（KPCA）等方法抽取特征，然后用适合的分类器分类。针对一维方法维数过高，计算量大，协方差矩阵常常是奇异矩阵等不足，提出了二维的图像特征抽取方法，计算量小，协方差矩阵一般是可逆的，且识别率较高。-existing algebra feature extraction method using a majority of th
C_algorithm_program
- 本书是针对工程上常用的行之有效的算法而编写的C语言函数程序集，包括了近几年出现的许多新算法。全书分为数值计算与非数值计算两部分。其中数值计算部分的内容包括：线性代数方程组的求解、矩阵运算、矩阵特征值与特征向量的计算、非线性方程与方程组的求解、插值、数值积分、常微分方程（组）的求解、拟合与逼近、数据处理与回归分析、极值问题、数学变换与滤波、特殊函数、随机数的产生、多项式与连分式函数的计算、复数运算；非数值计算部分的内容包括：排序、查找、图形模式下读写屏幕象点、基本图形操作、汉字操作等。
Cchangyongsuanfa
- C常用算法程序集 针对工程上常用的行之有效的算法而编写的C语言函数程序集，在第一版的基础上作了修改和扩充。书中包括了近几年出现的许多新算法。全书分为数值计算与非数值计算两部分。其中数值计算部分的内容包括：线性代数方程组的求解、矩阵运算、矩阵特征值与特征向量的计算、非线性方程与方程组的求解、插值、数值积分、常微分方程（组）的求解、拟合与逼近、数据处理与回归分析、极值问题、数学变换与滤波、特殊函数、随机数的产生、多项式与连分式函数的计算、复数运算；非数值计算部分的内容包括：排序、查找、图形模式下
strassen
- 矩阵乘法是线性代数运算中最常见的运算,它在科学研究以及工程开发中都具有举足轻重的作用,提高其运算的效率是很多大型的学术研究中的内容,这边论文是分析主要的两个矩阵乘法算法.-Linear algebra matrix multiplication is the most common operation, it is in scientific research and engineering development have a decisive role in raising the effi
C_language_algorithms_for_Quick_Lookup_Manual
- 《C语言算法速查手册》用C语言编写了科研和工程中最常用的166个算法，这些算法包括复数运算、多项式的计算、矩阵运算、线性代数方程组的求解、非线性方程与方程组的求解、代数插值法、数值积分法、常微分方程（组）初值问题的求解、拟合与逼近、特殊函数、极值问题、随机数产生与统计描述、查找、排序、数学变换与滤波等。同时结合这些算法列举了将近100个应用实例，对其进行验证和分析。 -" C language algorithms for Quick Fact Manual" using
Singular-Value-Decomposition-(SVD)
- 奇异值分解，线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广。在信号处理、统计学等领域有重要应用。 -Singular Value Decomposition (SVD)
SVD
- 奇异值分解，是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广。在信号处理、统计学等领域有重要应用-Singular Value Decomposition
zuoye
- 北航数值分析 大作业 ：编写程序，分别用列主元的Gauss消去法和LU分解法求解下面线性代数 方程组AX = b的解，其中A为N £ N 矩阵，N = 50，其第i(i ¸ 1)行、第j(i ¸ 1)列 元素 -The Beihang value in A major operation
Nshiizhifenxxu
- 数值分析算法描述与习题解答，由清华大学徐士良教书，用C开发的各种数学算法。比如：托伯利兹型型线性代数方程组的递推算法，全选主元高斯消去法解复系数线形代数方程组，复矩阵求逆的全选主元高斯 -The numerical analysis algorithm descr iption and answer exercises, taught by Tsinghua University, XU Shi-liang, C development of mathematical algorithms.
we798236
- 内容简介： MATLAB已成为多学科、多种工作平台的功能强大、界面友好、语言自然并且开放性强的大型应用软件，目前的最高版本是6.0版。本教程以6.0版为基础，从高等工科院校的数学课程出发，提供了使用MATLAB的实践性指导。本教程以教学的手段，系统详细地介绍了MATLAB在高等数学、数值分析、函数作图、线性代数、概率统计和优化理论中的应用，并配备了大量的例题，让读者能很快掌握MATLAB的运算技巧。 本教程按逻辑编排，自始至终用实例描述，既适用于初学者自学，也适用于高级MAT
alglib-2.6.0.delphi
- ALGLIB是一个跨平台的数值分析和数据处理函数库。它支持多种编程语言，如C++，C#，Pascal，VBA等，可以在多个操作系统平台上运行，如：Windows，Linux和Solaris。ALGLIB有以下特点： （1）线性代数（包括矩阵分析）； （2）方程求解（线性和非线性）； （3）插值； （4）最优化； （5）快速傅里叶变换； （6）数值积分； （7）线性和非线性最小二乘拟合； （8）常微分方程求解； （9）特殊函数； （10）统计（描
opencv-doc
- 图像数据操作（内存分配与释放，图像复制、设定和转换） 图像/视频的输入输出（支持文件或摄像头的输入，图像/视频文件的输出） 矩阵/向量数据操作及线性代数运算（矩阵乘积、矩阵方程求解、特征值、奇异值分解） 支持多种动态数据结构（链表、队列、数据集、树、图） 基本图像处理（去噪、边缘检测、角点检测、采样与插值、色彩变换、形态学处理、直方图、图像金字塔结构） 结构分析（连通域/分支、轮廓处理、距离转换、图像矩、模板匹配、霍夫变换、多项式逼近、曲线拟合、椭圆拟合、狄劳尼三角化）
Eigen-3.2.2-CHM
- Eigen 3.2.2帮助文档。Eigen是一个高层次的C ++库，有效支持线性代数，矩阵和矢量运算，数值分析及其相关的算法。-Eigen 3.2.2 Help documentation. Eigen is a high-level C++ library, effective supports linear algebra, matrix and vector operations, numerical analysis and related algorithms.
矩阵分析与应用线性代数
- 进行矩阵分析，可用 Matlab 实现，通信方面书籍(Matrix analysis, Matlab can be used to achieve communication books)
Python数据分析基础教程：NumPy学习指南（第2版）
- 本书是 NumPy 的入门教程， 主要介绍 NumPy 以及相关的 Python 科学计算库， 如 SciPy 和 Matplotlib。 本书内容涵盖 NumPy 安装、 数组对象、 常用函数、 矩阵运算、 线性代数、 金融函数、 窗函数、 质量控制、Matplotlib 绘图、 SciPy 简介以及 Pygame 等内容， 涉及面较广。 另外， Ivan Idris 针对每个知识点给出了简短而明晰的示例， 并为大部分示例给出了实用场景（如股票数据分析）， 在帮助初学者入门的同时， 提高了本