一、实验目的及题目
1.1实验目的：
（1）学会用高斯列主元消去法，LU 分解法，Jacobi 迭代法和Gauss-Seidel 迭代法解线性方程组。
（2）学会用Matlab 编写各种方法求解线性方程组的程序。 1.2 实验题目：
1. 用列主元消去法解方程组：
1241234
123412343421233234
x x x x x x x x x x x x x x x ++=??+-+=??
--+=-??-++-=? 2. 用LU 分解法解方程组,Ax b =其中
4824012242412120620266216A --?? ?- ?= ? ?-??，4422b ??
? ?= ?- ?-??
3. 分别用Jacobi 迭代法和Gauss-Seidel 迭代法求解方程组： 123234
1231234102118311210631125
x x x x x x x x x x x x x -+=-??-+=-??
-+=??-+-+=? 二、实验原理、程序框图、程序代码等
2.1实验原理
2.1.1高斯列主元消去法的原理
Gauss 消去法的基本思想是一次用前面的方程消去后面的未知数，从而将方程组化为等价形式：
1111221122222n n n n nn n n
b x b x b x g b x b x g b x g ++
+=??++=????=
?
这个过程就是消元，然后再回代就好了。具体过程如下： 对于1,2,
,1k n =-，若()
0,k kk a ≠依次计算
()()
(1)()()(1)()()/,,1,
,k k ik ik kk k k k ij ij ik kj
k k k i i ik k m a a a a m a b b m b i j k n
++==-=-=+
然后将其回代得到：
()()
()()()1/()/,1,2,,1
n n n n nn n k k k k k kj j kk j k x b a x b a x a k n n =+?=??=-=--?
?
∑
以上是高斯消去。
但是高斯消去法在消元的过程中有可能会出现()
0k kk a =的情况，这时消元就无法进行了，即使主元数()
0,k kk a ≠但是很小时，其做除数，也会导致其他元素数量级的严重增长和舍入误差
的扩散。因此，为了减少误差，每次消元选取系数矩阵的某列中绝对值最大的元素作为主元素。然后换行使之变到主元位置上，再进行销元计算。即高斯列主元消去法。 2.1.2直接三角分解法（LU 分解）的原理
先将矩阵A 直接分解为A LU =则求解方程组的问题就等价于求解两个三角形方程组。 直接利用矩阵乘法，得到矩阵的三角分解计算公式为：
1111111
11
1,1,2,,/,2,,,,,1,,,2,3,
()/,1,2,
,i i i i k kj kj km mj m k ik ik im mk kk
m u a i n
l a u i n
u a l u j k k n k n
l a l u u i k k n k n
-=-===??
==??
=-=+??=??=-=++≠??
∑∑且
由上面的式子得到矩阵A 的LU 分解后，求解Ux=y 的计算公式为
11
111,2,3,/()/,1,2,
,1
i i i ij j j n n nn n i i ij j ii j i y b y b l y i n
x y u x y u x u i n n -==+=???
=-=??
=???
=-=--??
∑∑
以上为LU 分解法。
2.1.3Jacobi 迭代法和Gauss-Seidel 迭代法的原理 （1）Jcaobi 迭代
设线性方程组
b Ax = (1)
的系数矩阵A 可逆且主对角元素nn a ,...,a ,a 2211均不为零,令
()nn
a ,...,a ,a diag D 2211=
并将A 分解成
()D D A A +-= (2)
从而(1)可写成
()b x A D Dx +-=
令
11f x B x +=
其中b D f ,A D I B 1
111
--=-=. (3) 以为迭代矩阵的迭代法(公式)
()()111f x B x k k +=+ (4)
称为雅可比(Jacobi)迭代法,其分量形式为
?
??
[]
,...,,k ,
n ,...,i x a b
a x
n
i
j j )
k (j j i i
ii
)k (i
21021111==∑-=≠=+ (5)
其中
()()()()
()T
n x ,...x ,x x 002010=为初始向量. （2）Gauss-Seidel 迭代
由雅可比迭代公式可知,在迭代的每一步计算过程中是用()
k x 的全部分量来计算()1+k x 的
所有分量,显然在计算第i 个分量()
1+k i x 时,已经计算出的最新分量()
()
11
11
+-+k i k x ,...,x 没有被利
用。
把矩阵A 分解成
U L D A --= (6)
其中()nn a ,...,a ,a diag D 2211=,U ,L --分别为的主对角元除外的下三角和上三角部分,于
是,方程组(1)便可以写成
()b Ux x L D +=-
即
22f x B x +=
其中
()()b L D f ,
U L D B 1
21
2---=-= (7)
以为迭代矩阵构成的迭代法(公式)
()()221f x B x k k +=+ (8)
称为高斯—塞德尔迭代法,用分量表示的形式为
?
??[]
,...
,,k ,n ,,i x a x a b a x
i j n i j )
k (j ij )
k (j ij i ii
)k (i
21021111111==∑∑--=-=+=++
2.2程序代码
2.2.1高斯列主元的代码
function Gauss(A,b) %A 为系数矩阵，b 为右端项矩阵 [m,n]=size(A); n=length(b); for k=1:n-1
[pt,p]=max(abs(A(k:n,k))); %找出列中绝对值最大的数 p=p+k-1; if p>k
t=A(k,:);A(k,:)=A(p,:);A(p,:)=t; %交换行使之变到主元位置上 t=b(k);b(k)=b(p);b(p)=t; end
m=A(k+1:n,k)/A(k,k); %开始消元 A(k+1:n,k+1:n)=A(k+1:n,k+1:n)-m*A(k,k+1:n); b(k+1:n)=b(k+1:n)-m*b(k); A(k+1:n,k)=zeros(n-k,1); if flag~=0 Ab=[A,b]; end end
x=zeros(n,1); %开始回代 x(n)=b(n)/A(n,n);
for k=n-1:-1:1
x(k)=(b(k)-A(k,k+1:n)*x(k+1:n))/A(k,k);
end
for k=1:n
fprintf('x[%d]=%f\n',k,x(k));
end
2.2.2 LU分解法的程序
function LU(A,b) %A为系数矩阵，b为右端项矩阵
[m,n]=size(A); %初始化矩阵A，b，L和U
n=length(b);
L=eye(n,n);
U=zeros(n,n);
U(1,1:n)=A(1,1:n); %开始进行LU分解
L(2:n,1)=A(2:n,1)/U(1,1);
for k=2:n
U(k,k:n)=A(k,k:n)-L(k,1:k-1)*U(1:k-1,k:n);
L(k+1:n,k)=(A(k+1:n,k)-L(k+1:n,1:k-1)*U(1:k-1,k))/U(k,k); end
L %输出L矩阵
U %输出U矩阵
y=zeros(n,1); %开始解方程组Ux=y
y(1)=b(1);
for k=2:n
y(k)=b(k)-L(k,1:k-1)*y(1:k-1);
end
x=zeros(n,1);
x(n)=y(n)/U(n,n);
for k=n-1:-1:1
x(k)=(y(k)-U(k,k+1:n)*x(k+1:n))/U(k,k);
end
for k=1:n
fprintf('x[%d]=%f\n',k,x(k));
end
2.2.3Jacobi迭代法的程序
function Jacobi(A,b,eps) %A为系数矩阵，b为后端项矩阵，epe为精度
[m,n]=size(A);
D=diag(diag(A)); %求矩阵D
L=tril(A)-D; %求矩阵L
U=triu(A)-D; %求矩阵U
temp=1;
x=zeros(m,1);
k=0;
while abs(max(x)-temp)>eps
temp=max(abs(x));
k=k+1; %记录循环次数
x=-inv(D)*(L+U)*x+inv(D)*b; %雅克比迭代公式
end
for k=1:n
fprintf('x[%d]=%f\n',k,x(k));
end
2.2.4Gauss-Seidel迭代程序
function Gauss_Seidel(A,b,eps) %A为系数矩阵，b为后端项矩阵，epe为精度
[m,n]=size(A);
D=diag(diag(A)); %求矩阵D
L=D-tril(A); %求矩阵L
U=D-triu(A); %求矩阵U
temp=1;
x=zeros(m,1);
k=0;
while abs(max(x)-temp)>eps
temp=max(abs(x));
k=k+1; %记录循环次数
x=inv(D-L)*U*x+inv(D-L)*b; %Gauss_Seidel的迭代公式end
for k=1:n
fprintf('x[%d]=%f\n',k,x(k));
end
三、实验过程中需要记录的实验数据表格
3.1第一题（高斯列主元消去）的数据
>> A=[1 1 0 3;2 1 -1 1; 3 -1 -1 3;-1 2 3 -1];
>> b=[4;1;-3;4];
>> Gauss(A,b)
x[1]=-1.333333
x[2]=2.333333
x[3]=-0.333333
x[4]=1.000000
3.2第二题（LU分解法）数据
>> A=[48 -24 0 -12;-24 24 12 12;0 6 20 2;-6 6 2 16];
>> b=[4; 4;-2;-2];
>> LU(A,b)
L =
1.0000 0 0 0
-0.5000 1.0000 0 0
0 0.5000 1.0000 0
-0.1250 0.2500 -0.0714 1.0000
U =
48.0000 -24.0000 0 -12.0000
0 12.0000 12.0000 6.0000
0 0 14.0000 -1.0000
0 0 0 12.9286
x[1]=0.521179
x[2]=1.005525
x[3]=-0.375691
x[4]=-0.259669
3.3第三题Jacobi迭代法的数据
>> A=[10 -1 2 0;0 8 -1 3;2 -1 10 0;-1 3 -1 11];
b=[-11;-11;6;25];
Jacobi(A,b,0.00005)
x[1]=-1.467396
x[2]=-2.358678
x[3]=0.657604
x[4]=2.842397
3.4第三题用Gauss_Seidel迭代的数据
>> A=[10 -1 2 0;0 8 -1 3;2 -1 10 0;-1 3 -1 11];
>> b=[-11;-11;6;25];
>> Gauss_Seidel(A,b,0.00005)
x[1]=-1.467357
x[2]=-2.358740
x[3]=0.657597
x[4]=2.842405
四、实验中存在的问题及解决方案
4.1存在的问题
（1）第一题中在matlab中输入>> Gauss(A,b)（数据省略）得到m =4n =4??? Undefined function or variable "Ab".Error in ==> Gauss at 8[ap,p]=max(abs(Ab(k:n,k)));没有得到想要的结果。
（2）第二题中在matlab中输入>> y=LU(A,b)得到y =4.00006.0000-5.0000-3.3571不是方程组的解。
（3）第三题中在用高斯赛德尔方法时在matlab中输入>> Gauss-Seidel(A,b,eps)结果程序报错??? Error using ==> GaussToo many output arguments.得不到想要的结果。
4.2解决方案
（1）针对第一题中由于程序的第二行漏了一个分号导致输出了m和n的值，第8行中将Ab改为A问题就解决了。
（2）由于程序后面出现了矩阵y故输出的事矩阵y的值，但是我们要的事x的值，故只需要将y改成x，或者直接把y去掉就解决了问题。
（3）在function文件中命名不能出现“-”应该将其改为下划线“_”，所以将M文件名“Gauss-Seidel(A,b,eps)”改成“Gauss_Seidel(A,b,eps)”就解决问题了。
五、心得体会
本次试验涉及到了用高斯列主元消去法，LU分解法，Jacobi迭代法以及Gauss-seidel迭代法等四种方法。需要对这些方法的原理都要掌握才能写出程序，由于理论知识的欠缺，我花了很大一部分时间在看懂实验的原理上，看懂了实验原理之后就开始根据原理编写程序，
程序中还是出现了很多的低级错误导致调试很久才能运行。
通过这次试验使我深刻的体会到理论知识的重要性，没有理论知识的支撑是写不出程序来的。写程序时还会犯很多低级的错误，以后一定要加强理论知识的学习，减少编程时低级错误的产生。
disp('划分为M*M个正方形') M=5 %每行的方格数，改变M可以方便地改变剖分的点数 u=zeros(M+1);%得到一个（M+1）*（M+1）的矩阵 disp('对每个剖分点赋初值，因为迭代次数很高，所以如何赋初值并不重要，故采用对列线性赋值。') disp('对边界内的点赋初值并使用边界条件对边界赋值：') for j=1:M-1 for i=1:M-1 u(i+1,j+1)=100*sin(pi/M*j)/M*(M-i);%对矩阵（即每个刨分点）赋初值 end end for i=1:M+1 u(1,i)=100*sin(pi*(i-1)/M);%使用边界条件对边界赋值 u(1,M+1)=0; end u tic %获取运行时间的起点 disp('迭代次数为N') N=6 %迭代次数，改变N可以方便地改变迭代次数 disp('n为当前迭代次数，u为当前值，结果如下：') for n=1:N for p=2:M i=M+2-p; for j=2:M u(i,j)=0.25*(u(i,j-1)+u(i+1,j)+u(i-1,j)+u(i,j+1));%赛德尔迭代法 end end n %输出n u %输出u end disp('所用的时间：') t=toc %获取算法运行需要的时间 [x,y]=meshgrid(0:1/M:1,0:1/M:1); z=u(1,:); for a=2:M+1 z=[z;u(a,:)];%获取最终迭代的结果，幅值给z，z的值代表该点的点位值 end mesh(x,y,z)%绘制三维视图以便清楚地显示结果 mesh(x,y,z,'FaceColor','white','EdgeColor','black') %绘制三维视图以便清楚地显示结果
ICA用牛顿迭代法改进的FastICA算法 ICA算法原理： 独立分量分析（ICA）的过程如下图所示：在信源()st中各分量相互独立的假设下，由观察xt通过结婚系统B把他们分离开来，使输出yt逼近st。 图1-ICA的一般过程 ICA算法的研究可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两大类，从原理上来说，它们都是利用了源信号的独立性和非高斯性。基于信息论的方法研究中，各国学者从最大熵、最小互信息、最大似然和负熵最大化等角度提出了一系列估计算法。如FastICA算法, Infomax算法，最大似然估计算法等。基于统计学的方法主要有二阶累积量、四阶累积量等高阶累积量方法。本实验主要讨论FastICA算法。 1. 数据的预处理 一般情况下，所获得的数据都具有相关性，所以通常都要求对数据进行初步的白化或球化处理，因为白化处理可去除各观测信号之间的相关性，从而简化了后续独立分量的提取过程，而且，通常情况下，数据进行白化处理与不对数据进行白化处理相比，算法的收敛性较好。 若一零均值的随机向量 满足 ， 其中：I为单位矩阵，我们称这个向量为白化向量。白化的本质在于去相关，这同主分量分析的目标是一样的。在ICA中，对于为零均值的独立源信号 ， 有： ， 且协方差矩阵是单位阵cov( S ) = I，因此，源信号 S( t )是白色的。对观测信号X( t )，我们应该寻找一个线性变换，使X( t )投影到新的子空间后变成白化向量，即：
其中，W0为白化矩阵，Z为白化向量。 利用主分量分析，我们通过计算样本向量得到一个变换 其中U和 分别代表协方差矩阵XC的特征向量矩阵和特征值矩阵。可以证明，线性变换W0满足白化变换的要求。通过正交变换，可以保证 因此，协方差矩阵： 再将 代入 且令 有 由于线性变换A~连接的是两个白色随机矢量Z( t )和S( t )，可以得出A~ 一定是一个正交变换。如果把上式中的Z( t )看作新的观测信号，那么可以说，白化使原来的混合矩阵A简化成一个新的正交矩阵A~。证明也是简单的： 其实正交变换相当于对多维矢量所在的坐标系进行一个旋转。 在多维情况下，混合矩阵A是N*N 的，白化后新的混合矩阵A~ 由于是正交矩阵，其自由度降为N*(N-1)/2，所以说白化使得ICA问题的工作量几乎减少了一半。 白化这种常规的方法作为ICA的预处理可以有效地降低问题的复杂度，而且算法简单，用传统的PCA就可完成。用PCA对观测信号进行白化的预处理使得原来所求的解混合矩阵退化成一个正交阵，减少了ICA的工作量。此外，PCA本身具有降维功能，当观测信号的个数大于源信号个数时，经过白化可以自动将观测信号数目降到与源信号维数相同。
实验一 列主元消去法 【实验内容】 1．掌握列主元消去法的基本思路和迭代步骤 2．并能够利用列主元的高斯消去法解任意阶数的线性方程组； 3、从课后题中选一题进行验证，得出正确结果，交回实验报告与计算结果。 【实验方法与步骤】 1．列主元消去法基本思路 设有线性方程组Ax b =，设A 是可逆矩阵。列主元消去法的基本思想就是通过列主元的选取将初等行变换作用于方程组的增广矩阵[]|B A b =，将其中的A 变换成一个上三角矩阵，然后求解这个三角形方程组。 2．列主元高斯消去法算法描述 将方程组用增广矩阵[]()(1)|ij n n B A b a ?+==表示。 步骤1：消元过程，对1,2,,1k n =-L （1） 选主元，找{},1,,k i k k n ∈+L 使得 ,max k i k ik k i n a a ≤≤= （2） 如果,0k i k a =，则矩阵A 奇异，程序结束；否则执行（3）； （3） 如果k i k ≠，则交换第k 行与第k i 行对应元素位置，k kj i j a a ?， ,,1j k n =+L ； （4） 消元，对,,i k n =L ，计算/,ik ik kk l a a =对1,,1j k n =++L ，计算 .ij ij ik kj a a l a =- 步骤 2：回代过程： （1） 若0,nn a =则矩阵奇异，程序结束；否则执行（2）； （2） ,1/;n n n nn x a a +=对1,,2,1i n =-L ，计算 ,11/n i i n ij j ii j i x a a x a +=+??=- ??? ∑
[实验程序] #include
雅可比迭代法： function x=jacobi(a,b,p,delta,n) %a为n维非奇异矩阵；b为n维值向量 %p为初值；delta为误差界；n为给定的迭代最高次数 N=length（b）; for k=1:n for j=1：N x(j)=(b(j)-a(j,[1:j-1,j+1:N])*p([1:j-1,j+1:N]))/a(j,j); end err=abs(norm(x’-p)); p=x’; if(err function [x,k,err,p]=ddf(f,x0,tol,n) %ddl.m为用迭代法求非线性方程的解 %f为给定的迭代函数；x0为给定的初始值 %tol为给定的误差界；n为所允许的最大迭代次数 %k为迭代次数；x为不动点的近似值；err为误差 p(1)=x0; for k=2:n p(k)=feval(f,p(k-1)); k, err=abs(p(k)-p(k-1)) x=p(k); if(err 高斯列主元消元法解线性方程组 一、题目：用Gauss 列主元消去法解线性方程组Ax b =，其中， A=17.031 -0.615 -2.991 1.007 -1.006 0.000-1.000 34.211 -1.000 -2.100 0.300 -1.7000.000 0.500 13.000 -0.500 1.000 -1.5004.501 3.110 -3.907 -61.705 12.170 8.9990.101 -8.012 -0.017 -0.910 4.918 0.1001.000 2.000 3.000 4.500 5.000 21.803?? ? ? ? ? ? ? ? ??? 0.230 -52.322 54.000 240.236 29.304 -117.818b ?? ? ? ?= ? ? ? ? ??? T X=(0.907099 -1.961798 3.293738 -4.500708 3.029344 -5.255068) 二、原理及步骤分析 设 n n ij R a A ?∈=][)1(，n n R b b b b ∈=],,,[)1()2(2)1(1 。若约化主元素 ),,2,1(0)(n k a k kk =≠，则通过高斯消元法将方程b AX =约化为三角形方程组求解。 如果在消元过程中发现某个约化主元0) (=k kk a , 则第K 次消元就无法进行。此外，即 使所有约化主元全不为零，虽然可以完成方程组的求解，但也无法保证结果的可靠性，因为计算过程中存在舍入误差。 为减少计算过程中的舍入误差对解的影响，在每次消元前，应先选择绝对值尽可能大的元作为约元的主元，如果在子块的第一列中选取主元，则相应方法称为列主元消元法。相应过程为： （1）选主元：在子块的第一列中选择一个元) (k k i k a 使) (max k ik n i k k k i a a k ≤≤= 并将第k 行元与第k i 行元互换。 （2）消元计算：对k=1,2,……n-1依次计算 ()()()?? ?? ?????++=-=++=-=++==++n k k i b m b b n k k j i a m a a n k k i a a m k k ik k i k i k kj ik k ij k ij k kk k ik k ik ,,2,1,,2,1,,,2,1) ()()1() ()()1()() ()( （3）回代求解 高斯——赛德尔法潮流计算 潮流计算高斯——赛德尔迭代法(Gauss一Seidel method)是求解电力系统潮流的方法。潮流计算高斯——赛德尔迭代法又分导纳矩阵迭代法和阻抗矩阵迭代法两种。前者是以节点导纳矩阵为基础建立的赛德尔迭代格式;后者是以节点阻扰矩阵为基础建立的赛德尔迭代格式。高斯——赛德尔迭代法这是数学上求解线性或非线性方程组的一种常用的迭代方法。 本实验通过对电力网数学模型形成的计算机程序的编制与调试，获得形成电力网数学模型：高斯---赛德尔法的计算机程序，使数学模型能够由计算机自行形成，即根据已知的电力网的接线图及各支路参数由计算程序运行形成该电力网的节点导纳矩阵和各节点电压、功率。通过实验教学加深学生对高斯---赛德尔法概念的理解，学会运用数学知识建立电力系统的数学模型，掌握数学模型的形成过程及其特点，熟悉各种常用应用软件，熟悉硬件设备的使用方法，加强编制调试计算机程序的能力，提高工程计算的能力，学习如何将理论知识和实际工程问题结合起来。 高斯---赛德尔法潮流计算框图 ［1］系统节点的分类 根据给定的控制变量和状态变量的不同分类如下 ①P、Q节点（负荷节点），给定Pi、Qi求Vi、Si，所求数量最多； ②负荷节点，变电站节点（联络节点、浮游节点），给定P Gi、Q Gi的发电机 节点，给定Q Gi的无功电源节点； ③PV节点（调节节点、电压控制节点），给定P i、Q i求Q n、S n，所求数量 少，可以无有功储备的发电机节点和可调节的无功电源节点； ④平衡节点（松弛节点、参考节点（基准相角）、S节点、VS节点、缓冲节 点），给定V i，δi=0，求P n、Q n(V s、δs、P s、Q s)。 ［2］潮流计算的数学模型 1)线性的节点电压方程YV=I 根据S=V错误!未找到引用源。可得非线性的节点电压方程(错误!未找到引用源。为I的共轭) YV=I=错误!未找到引用源。=错误!未找到引用源。 实验一 列主元消去法 【实验内容】1. 掌握列主元消去法的基本思路和迭代步骤 2. 并能够利用列主元的高斯消去法解任意阶数的线性方程组； 【实验方法与步骤】列主元消去法编写程序 1．列主元消去法基本思路 设有线性方程组Ax b =，设A 是可逆矩阵。列主元消去法的基本思想就是通过列主元的选取将初等行变换作用于方程组的增广矩阵[]|B A b =，将其中的A 变换成一个上三角矩阵，然后求解这个三角形方程组。 2．列主元高斯消去法算法描述 将方程组用增广矩阵[]()(1)|ij n n B A b a ?+==表示。 步骤1：消元过程，对1,2,,1k n =- （1） 选主元，找{},1,,k i k k n ∈+ 使得 ,max k i k ik k i n a a ≤≤= （2） 如果,0k i k a =，则矩阵A 奇异，程序结束；否则执行（3）； （3） 如果k i k ≠，则交换第k 行与第k i 行对应元素位置，k kj i j a a ?， ,,1j k n =+ ； （4） 消元，对,,i k n = ，计算/,ik ik kk l a a =对1,,1j k n =++ ，计算 .ij ij ik kj a a l a =- 步骤 2：回代过程： （1） 若0,nn a =则矩阵奇异，程序结束；否则执行（2）； （2） ,1/;n n n nn x a a +=对1,,2,1i n =- ，计算 ,11/n i i n ij j ii j i x a a x a +=+??=- ??? ∑ 习题3第一题程序如下 #include 非线性回归预测法 前面所研究的回归模型，我们假定自变量与因变量之间的关系是线性的，但社会经济现象是极其复杂的，有时各因素之间的关系不一定是线性的，而可能存在某种非线性关系，这时，就必须建立非线性回归模型。 一、非线性回归模型的概念及其分类 非线性回归模型，是指用于经济预测的模型是曲线型的。常见的非线性回归模型有下列几种： (1)双曲线模型： i i i x y εββ++=1 2 1 (3-59) (2)二次曲线模型： i i i i x x y εβββ+++=2321 (3-60) (3)对数模型： i i i x y εββ++=ln 21 (3-61) (4)三角函数模型： i i i x y εββ++=sin 21 (3-62) (5)指数模型： i x i i ab y ε+= (3-63) i i i x x i e y εβββ+++=221110 (3-64) (6)幂函数模型： i b i i ax y ε+= (3-65) (7)罗吉斯曲线： i x x i i i e e y εββββ++=++1101101 (3-66) (8)修正指数增长曲线： i x i i br a y ε++= (3-67) 根据非线性回归模型线性化的不同性质，上述模型一般可细分成三种类型。 第一类：直接换元型。 这类非线性回归模型通过简单的变量换元可直接化为线性回归模型，如：(3-59)、(3-60)、(3-61)、(3-62)式。由于这类模型的因变量没有变形，所以可以直接采用最小平方法估计回归系数并进行检验和预测。 第二类：间接代换型。 这类非线性回归模型经常通过对数变形的代换间接地化为线性回归模型，如：(3-63)、(3-64)、(3-65)式。由于这类模型在对数变形代换过程中改变了因变量的形态，使得变形后模型的最小平方估计失去了原模型的残差平方和为最小的意义，从而估计不到原模型的最佳回归系数，造成回归模型与原数列之间的较大偏差。 第三类：非线性型。 实验三 高斯列主元消去法 一、实验目的： 1、掌握高斯消去法的基本思路和迭代步骤。 2、 培养编程与上机调试能力。 二、高斯列主元消去法的基本思路与计算步骤： 设有方程组Ax b =，设A 是可逆矩阵。高斯消去法的基本思想就是僵局真的初等行变换作用于方程组的增广矩阵[]B A b = ，将其中的A 变换成一个上三角矩阵，然后求解这个三角形方程组。 列主元高斯消去法计算步骤： 将方程组用增广矩阵[]()(1)ij n n B A b a ?+== 表示。 步骤1：消元过程，对1,2,,1k n =- （1） 选主元，找{},1,,k i k k n ∈+ 使得 ,max k i k ik k i n a a ≤≤= （2） 如果 ,0k i k a =，则矩阵A 奇异，程序结束；否则执行（3）。 （3） 如果k i k ≠，则交换第k 行与第k i 行对应元素位置，k kj i j a a ?，,,1j k n =+ 。 （4） 消元，对,,i k n = ，计算/,ik ik kk l a a =对1,,1j k n =++ ，计算 . ij ij ik kj a a l a =- 步骤 2：回代过程： （1） 若0,nn a =则矩阵奇异，程序结束；否则执行（2）。 （2） ,1/;n n n nn x a a +=对1,,2,1i n =- ，计算,11/n i i n ij j ii j i x a a x a +=+??=- ???∑ 三：程序流程图 四：程序清单： function X=uptrbk(A,b) % A是一个n阶矩阵。 % b是一个n维向量。 % X是线性方程组AX=b的解。 [N N]=size(A); X=zeros(1,N+1); Aug=[A b]; for p=1:N-1 [Y,j]=max(abs(Aug(p:N,p)));%返回向量的最大值存入y，最大值的序号存入j。 C=Aug(p,:); Aug(p,:)=Aug(j+p-1,:); Aug(j+p-1,:)=C; if Aug(p,p)==0 'A是奇异阵，方程无惟一解' break end for k=p+1:N m=Aug(k,p)/Aug(p,p); Aug(k,p:N+1)=Aug(k,p:N+1)-m*Aug(p,p:N+1); end end % 这里用到程序函数backsub来进行回代。 X=backsub(Aug(1:N,1:N),Aug(1:N,N+1)); function X=backsub(A,b) % A是一个n阶上三角非奇异阵。 % b是一个n维向量。 % X是线性方程组AX=b的解。 n=length(b);%取b向量的个数。 X=zeros(n,1); X(n)=b(n)/A(n,n); for k=n-1:-1:1 X(k)=(b(k)-A(k,k+1:n)*X(k+1:n))/A(k,k); End 五、测试数据与结果： 测试数据：（第8章习题三第2题）求解线性方程组： 解：建立一个主程序gs.m clc clear A=[1,2,3;5,4,10;3,-0.1,1]; b=[1;0;2]; 数值分析实验五 班级： 10信计二班 学号：59 姓名：王志桃 分数： 一．实验名称 高斯-赛德尔迭代法解线性方程组 二．实验目的 1. 学会利用高斯赛德尔方法解线性方程组 2. 明白迭代法的原理 3. 对于大型稀疏矩阵方程组适用于迭代法比较简单 三．实验内容 利用Gauss-Seidel 迭代法求解下列方程组 ?????=++=-+=+-36123633111420238321 321321x x x x x x x x x ， 其中取→=0)0(x 。 四、算法描述 由Jacobi 迭代法中，每一次的迭代只用到前一次的迭代值，若每一次迭代充分利用当前最新的迭代值，即在计算第i 个分量)1(+k i x 时，用最新分量)1(1+k x ，???+)1(2k x )1(1-+k i x 代替旧分量)(1k x ，???)(2k x )(1-k i x ，就得到所谓解方程组的Gauss-Seidel 迭代法。 其迭代格式为 T n x x x x ) ()0()0(2)0(1)0(，，，???= (初始向量)， )(1111 1) ()1()1(∑∑-=-+=++--=i j i i j k j ij k j ij i ii i i x a x a b a x )210i 210(n k ???=???=，，，；，，， 或者写为 ?? ???--=???=???==?+=∑∑-=-+=+++)(1)210i 210(1111)()1()1()()1(i j i i j k j ij k j ij i ii i i i k i k i x a x a b a x n k k x x x ，，，；，，， 五、 编码 #include 1.填空 1) 计算 f=(2-1)6 , 取2＝1.4 , 利用下列算式，那个得到的结果最好？答：C (A) 6121 )(-, (B) (3-22)2, (C) 32231)(+, (D) 99-702 2) 称序列{x n }是p 阶收敛的条件为c x x x x p n n n =--+∞→** lim 1 3) 在等式∑==n k k k n x f a x x x f 010)(],,,[ 中, 系数a k 与函数f (x ) 无 关。 （限填“有”或“无”） 4) 设P k (x k ,y k ) , k =1,2,…,5 为函数y =x 2-3x +1上的5个互异的点，过P 1,…,P 5且次数不超过4次的插值多项式是 x 2-3x +1 。 5) 设f (x )∈C [a ,b ]， f (x )的最佳一致逼近多项式是__一定___存在的。 6) 求解微分方程数值解的E ul e r 法的绝对稳定区间是(-2,0) 。 7) n 个节点的插值型求积公式的代数精度不会超过2n －1次。 8) 高次插值容易产生________龙格（R u n g e ）现象。 9) R n 上的两个范数||x||p , ||x||q 等价指的是_?C,D ∈R,_C_||x||q _≤||x||p ≤D ||x||q _； R n 上的两个范数_一定__是等价的。（选 填“一定”或“不一定”）。 2.曲线151.03+-=x x y 与89.14.22-=x y 在点（1.6,1）附近相切，试用牛顿迭代法求切点横坐标的近似值1+k x ，使5110-+≤-k k x x 。 解 两曲线的导数分别为51.032-='x y 和x y 8.4='，两曲线相切，导数相等，故有 051.08.432=--x x 令51.08.43)(2--=x x x f ，则f(1)<0,f(2)>0，故区间[1,2]是f(x)=0的有根区间，又当]2,1[∈x 时，08.46)(>-='x x f ，因此f(x)=0在[1,2]上有惟一实根x*，对f(x)应用牛顿迭代法，得计算公式 ,2,1,0,8 .4651.08.4321=----=+k x x x x x k k k k k 由于06)(>=''x f ，故取20=x 迭代计算一定收敛，计算结果如表7-6所示。 表7-6 k k x k k x 0 2.0 3 1.706815287 1 2.293055556 4 1.700025611 2 1.817783592 5 1.7 继续计算仍得7.16=x ，故7.1*=x 。 注 本题也可令89.14.2151.02 3-=+-x x x ，解得切点横坐标满足方程089.2514.2)(23=+--=x x x x f ，用有重根时的牛顿迭代法（7.15）式计算，此时m=2，仍取x0=2，经四步可得x*=1.7。 高斯消元法1.程序: clear format rat A=input('输入增广矩阵A=') [m,n]=size(A); for i=1:(m-1) numb=int2str(i); disp(['第',numb,'次消元后的增广矩阵']) for j=(i+1):m A(j,:)=A(j,:)-A(i,:)*A(j,i)/A(i,i); end A end %回代过程 disp('回代求解') x(m)=A(m,n)/A(m,m); for i=(m-1):-1:1 x(i)=(A(i,n)-A(i,i+1:m)*x(i+1:m)')/A(i,i); end x 2.运行结果： 高斯选列主元消元法1.程序: clear format rat A=input('输入增广矩阵A=') [m,n]=size(A); for i=1:(m-1) numb=int2str(i); disp(['第',numb,'次选列主元后的增广矩阵']) temp=max(abs(A(i:m,i))); [a,b]=find(abs(A(i:m,i))==temp); tempo=A(a(1)+i-1,:); A(a(1)+i-1,:)=A(i,:); A(i,:)=tempo disp(['第',numb,'次消元后的增广矩阵']) for j=(i+1):m A(j,:)=A(j,:)-A(i,:)*A(j,i)/A(i,i); end A end %回代过程 disp('回代求解') x(m)=A(m,n)/A(m,m); for i=(m-1):-1:1 x(i)=(A(i,n)-A(i,i+1:m)*x(i+1:m)')/A(i,i); end x 2.运行结果： 《Gauss列主元消去法》实验报告 实验名称：Gauss列主元消去法程序设计？？？成绩：_________ 专业班级：数学与应用数学1202班？姓名：王晓阳？??学号： 实？验？日？期：？2014?年11月10日 实验报告日期：？2014年？11月10日 一.实验目的 1. 学习Gauss消去法的基本思路和迭代步骤. 2. 学会运用matlab编写高斯消去法和列主元消去法程序，求解线性方程组. 3. 当绝对值较小时，采用高斯列主元消去法? 4. 培养编程与上机调试能力. 二、实验内容 用消去法解线性方程组的基本思想是用逐次消去未知数的方法把原线性方程组Ax二b 化为与其等价的三角形线性方程组，而求解三角形线性方程组可用回代的方法求解 1. 求解一般线性方程组的高斯消去法? (1) 消元过程： 设a kk k-0 ,第i个方程减去第k个方程的m ik Tk k倍，("k 1^1, n)，得到 A k1x=b k1. 经过n-1次消元，可把方程组A1^b1化为上三角方程组A n x=b n. ⑵回代过程: 以解如下线性方程组为例测试结果 2. 列主元消去法 由高斯消去法可知，在消元过程中可能出现a kk k =0的情况，这是消去法将无法进行, 即使主元素a kk k-0但很小时，用其作除数，会导致其他元素数量级的严重增长和舍入误差的扩散，最后也使得计算解不可靠.这时就需要选取主元素，假定线性方程组的系数矩阵A是菲奇异的. (1)消元过程： 对于k =1,2,川,n -1，进行如下步骤: 1) 按列选主元，记 2) 交换增广阵A的p,k两行的元素 A(k,j)=A(p,j) ( j=k,…,n +1) 3) 交换常数项b的p,k两行的元素。 b(k)=b(p) 4) 计算消元 (2) 回代过程 (3) 以解如下线性方程组为例测试结果 三、实验环境 MATLAB R2014a 四、实验步骤 分别运用高斯赛德尔迭代法和超松弛迭代法解线性方程组：????? ??-=????? ??????? ??--243024410143034321x x x 。 1． 高斯赛德尔迭代法 编程思路：高斯赛德尔迭代法实在雅克比迭代法的基础上进行优化得到的，即在进行迭代时，将已经算得的第k+1步的迭代值代入第k+1步后边的变量的计算当中去，从而加快了迭代速度。 程序代码： function varargout=Gauss_Seidelli(varargin) A=[4 3 0;3 4 -1;0 -1 4]; b=[24 30 -24]'; x0=[0;0;0]; x=Gauss_Seidel(A,b,x0) function x=Gauss_Seidel(A,b,x0) n=100;%最大迭代次数 ee=0.0001;%精度 n1=length(b); for i=1:n x1=x0; for j=1:n1 s=0; for k=1:n1 if k~=j s=s+A(j,k)*x0(k); end end x0(j)=(b(j)-s)/A(j,j); end if norm(x1-x0) 2． 超松弛迭代法 该方法是在高斯赛德尔迭代法的基础上将前一步的结果)(k i x 和)1( k i x 进行适当的线性组合以加速收敛，松弛因子ω的选择是关键，当1<ω<2时，即为超松弛迭代法。 程序代码： function varargout=SORli(varargin) clc A=[4 3 0;3 4 -1;0 -1 4]; b=[24;30;-24]; x0=[0;0;0];w=1.3; x=SOR(A,b,x0,w); for i=1:3 fprintf('%4.2f ',x(i)); end fprintf('\n'); function x=SOR(A,b,x0,w) %AX=b %x0初始点 %w 为 松弛因子 n=100;%最大迭代次数 ee=0.0001;%精度 n1=length(b); for i=1:n x1=x0; for j=1:n1 s=0; for k=1:n1 if k~=j s=s+A(j,k)*x0(k); end end x0(j)=(1-w)*x0(j)+w*(b(j)-s)/A(j,j); end if norm(x1-x0) 例1、已知函数表 求() f x的Lagrange二次插值多项式和Newton二次插值多项式。 解： （1）由题可知 插值基函数分别为 故所求二次拉格朗日插值多项式为 （2）一阶均差、二阶均差分别为 均差表为 故所求Newton 二次插值多项式为 例2、 设2()32f x x x =++，[0,1]x ∈，试求()f x 在[0, 1]上关于()1x ρ=，{}span 1,x Φ=的 最佳平方逼近多项式。 解： 若{}span 1,x Φ=，则0()1x ?=，1()x x ?=，且()1x ρ=，这样，有 所以，法方程为 011231261192 34a a ??????????=?????????? ?????????? ，经过消元得012311 62110123a a ??? ???????=???????????????????? 再回代解该方程，得到14a =，011 6 a = 故，所求最佳平方逼近多项式为* 111 ()46 S x x = + 例3、 设()x f x e =，[0,1]x ∈，试求()f x 在[0, 1]上关于()1x ρ=，{}span 1,x Φ=的最佳平 方逼近多项式。 解： 若{}span 1,x Φ=，则0()1x ?=，1()x x ?=，这样，有 所以，法方程为 解法方程，得到00.8732a =，1 1.6902a =， 故，所求最佳平方逼近多项式为 例4、 用4n =的复合梯形和复合辛普森公式计算积分1?。 解： （1）用4n =的复合梯形公式 由于 2h =，()f x =，()121,2,3k x k k =+=，所以，有 （2）用4n =的复合辛普森公式 由于2h =，()f x =，()121,2,3k x k k =+=，()1 2 220,1,2,3k x k k +=+=，所以，有 例5、 用列主元消去法求解下列线性方程组的解。 解：先消元 再回代，得到33x =，22x =，11x = 一、 实验目的与要求 对于线性方程组?????=++=++=++69228281027321 321321x x x x x x x x x 1. 用高斯-赛德尔迭代法求此方程组的近似解（终止迭代过程的最大允许迭代次数N ，近似解的误差限eps ，均由用户设定）； 2. 通过数值实验说明，求此线性方程组的近似解时，高斯-赛德尔迭代法的收敛速度比雅可比迭代法的收敛速度要快一些。（用同样精度要求的条件来比较迭代次数） 二、 实验方案(程序源文件) 运用MATLAB 软件编辑M 文件如下： function EX() a=input('请输入系数矩阵a ：'); b=input('请输入矩阵b:'); N=input('请输入最大迭代次数N ：'); esp=input('请输入近似解的误差限：'); if any(diag(a))==0 error('系数矩阵错误，迭代终止！') end D=diag(diag(a)); X0=zeros(size(b)); x1=0; x2=0; x3=0; X1=[x1;x2;x3]; h=inv(D)*b; B=inv(D)*(D-a); B1=triu(B); B2=tril(B); k=1; fprintf('高斯-赛德尔迭代法 \n'); fprintf('第0次迭代得：') disp(X1'); while k<=N x1=h(1,1)+B1(1,:)*X0; X1=[x1;x2;x3]; x2=h(2,1)+B1(2,:)*X0+B2(2,:)*X1; X1=[x1;x2;x3]; x3=h(3,1)+B2(3,:)*X1; X1=[x1;x2;x3]; if norm(X1-X0,inf) 非线性回归预测法——高斯牛顿法(詹学朋) 非线性回归预测法 前面所研究的回归模型，我们假定自变量与因变量之间的关系是线性的，但社会经济现象是极其复杂的，有时各因素之间的关系不一定是线性的，而可能存在某种非线性关系，这时，就必须建立非线性回归模型。 一、非线性回归模型的概念及其分类 非线性回归模型，是指用于经济预测的模型是曲线型的。常见的非线性回归模型有下列几种： (1)双曲线模型： i i i x y εββ++=1 2 1 (3-59) (2)二次曲线模型： i i i i x x y εβββ+++=2321 (3-60) (3)对数模型： i i i x y εββ++=ln 21 (3-61) (4)三角函数模型： i i i x y εββ++=sin 21 (3-62) (5)指数模型： i x i i ab y ε+= (3-63) i i i x x i e y εβββ+++=221110 (3-64) (6)幂函数模型： i b i i ax y ε+= (3-65) (7)罗吉斯曲线： i x x i i i e e y εββββ++=++1101101 (3-66) (8)修正指数增长曲线： i x i i br a y ε++= (3-67) 根据非线性回归模型线性化的不同性质，上述模型一般可细分成三种类型。 第一类：直接换元型。 这类非线性回归模型通过简单的变量换元可直接化为线性回归模型，如：(3-59)、(3-60)、(3-61)、(3-62)式。由于这类模型的因变量没有变形，所以可以直接采用最小平方法估计回归系数并进行检验和预测。 第二类：间接代换型。 这类非线性回归模型经常通过对数变形的代换间接地化为线性回归模型，如：(3-63)、(3-64)、(3-65)式。由于这类模型在对数变形代换过程中改变了因变量的形态，使得变形后模型的最小平方估计失去了原模型的残差平方和为最小的意义，从而估计不到原模型的最佳回归系数，造成回归模型与原数列之间的较大偏差。 第三类：非线性型。 高斯牛顿法 高斯—牛顿迭代法的基本思想是使用泰勒级数展开式去近似地代替非线性回归模型，然后通过多次迭代，多次修正回归系数，使回归系数不断逼近非线性回归模型的最佳回归系数，最后使原模型的残差平方和达到最小。高斯—牛顿法的一般步骤为： (1)初始值的选择。其方法有三种，一是根据以往的经验选定初始值；二是用分段法求出初始值；三是对于可线性化的非线性回归模型，通过线性变换，然后施行最小平方法求出初始值。 (2)泰勒级数展开式。设非线性回归模型为： i=1,2,…,n (3-68) 其中r为待估回归系数，误差项～N(0, )，设： ，为待估回归系数的初始值，将(3-68)式在g点附近作泰勒展开，并略去非线性回归模型的二阶及二阶以上的偏导数项，得 (3-69) 将(3-69)式代入(3-68)式，则 移项： 令： 则：i=1,2，…，n 用矩阵形式表示，上式则为：(3-70) 其中： (3)估计修正因子。用最小平方法对(3-70)式估计修正因子B， 则：(3-71) 设g为第一次迭代值，则： (4)精确度的检验。设残差平方和为： ，S为重复迭代次数，对于给定的允许误差率K，当时，则停止迭代；否则，对(3-71)式作下一次迭代。 (5)重复迭代。重复(3-71)式，当重复迭代S次时，则有：修正因子： 第(S+1)次迭代值： 四、应用举例 设12个同类企业的月产量与单位成本的资料如下表： 表3-9 间接代换法计算表 企业编号单位产品成 本（元） 月产量 1 2 3 4 5 6 7 8 9 10 11 12 160 151 114 128 85 91 75 76 66 60 61 60 10 16 20 25 31 36 40 45 51 56 60 65 (注：资料来源《社会经济统计学原理教科书》第435页) 试配合适当的回归模型分析月产量与单位产品成本之间的关系。 解：(1)回归模型与初始值的选择。根据资料散点图的识别，本数据应配合指数模型：对指数模型两边取对数，化指数模型为线性回归模型，然后施行最小平方法求出初始 值。即： 则上述指数模型变为： 对分别求反对数，得，带入原模型， 得回归模型： 高斯—牛顿迭代法 初始回归模型： 贵州师范大学数学与计算机科学学院学生实验报告 课程名称： 数值分析 班级： 数本（一）班 实验日期： 年 月 日 学 号： 090704020098（81） 姓名： 吴胜 指导教师： 杨一都 实验成绩： 一、实验名称 实验五:线性方程组的数值解法 二、实验目的及要求 1. 让学生掌握用列主元gauss 消去法、超松弛迭代法求解线性方程组. 2. 培养Matlab 编程与上机调试能力. 三、实验环境 每人一台计算机，要求安装Windows XP 操作系统，Microsoft office2003、MATLAB6.5(或7.0). 四、实验内容 1. 编制逐次超松弛迭代(SOR 迭代)函数(子程序),并用于求解方程组 ????? ??=-++=+-+=++-=+++-1 4141 4144321 432143214321x x x x x x x x x x x x x x x x 取初始向量T x )1,1,1,1()0(=,迭代控制条件为 5 )1()(10 2 1||||--?≤ -k k x x 请绘制出迭代次数与松弛因子关系的函数曲线,给出最佳松弛因子.SOR 迭代 的收敛速度是否一定比Gauss-Seidel 迭代快? 2. 编制列主元 Gauss 消去法函数(子程序),并用于解 ??? ??=++-=-+-=+-6 15318153312321 321321x x x x x x x x x 要求输出方程组的解和消元后的增广矩阵. 注：题2必须写实验报告 五、算法描述及实验步骤 Gauss 消去法： 功能 解方程组b Ax = . 输入 n ,n n ij a A ?=)(,T n b b b b ),,,(21 =. 输出 方程组的解T n x x x x ),,,(21 =或失败信息.高斯列主元消元法解线性方程组
高斯赛德尔法潮流计算
列主元消去法
非线性回归预测法——高斯牛顿法(詹学朋)
实验三高斯列主元消去法
高斯-赛德尔迭代法解线性方程组
数值分析练习第五套
数值分析编程及运行结果(高斯顺序消元法)
Gauss列主元消去法程序设计
高斯赛德尔与超松弛迭代法
数值分析版试题及答案
高斯-赛德尔迭代法
非线性回归预测法——高斯牛顿法(詹学朋)知识分享
高斯—牛顿迭代法
Gauss列主元消去法
相关主题
文本预览