求范德蒙矩阵的逆的公式或算法？？？？最好有源代码，感谢！！

yzlstone 2003-11-26 10:54:44

求范德蒙矩阵的逆的公式或算法？？？？最好有源代码，感谢！！

...全文

75 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

Visual C++ 常用数值算法集作者：何光渝编出版社：科学出版社出版日期：2002年7月 ISBN：703010498 序前言第1章线性代数方程组的解法 1.1全主元高斯-约当(Gauss-Jordan)消去法 1.2LU分解法 1.3追赶法 1.4五对角线性方程组解法 1.5线性方程组解的迭代改善 1.6范德蒙(Vandermonde)方程组解法 1.7托伯利兹(Toeplitz)方程组解法 1.8奇异值分解 1.9线性方程组的共轭梯度法 1.1对称方程组的乔列斯基(Cholesky)分解法 1.11矩阵的QR分解 1.12松弛迭代法第2章插值 2.1拉格朗日插值 2.2有理函数插值 2.3三次样条插值 2.4有序表的检索法 2.5插值多项式 2.6二元拉格朗日插值 2.7双三次样条插值第3章数值积分 3.1梯形求积法 3.2辛普森(Simpson)求积法 3.3龙贝格(Romberg)求积法 3.4反常积分 3.5高斯(Gauss)求积法 3.6三重积分第4章特殊函数 4.1Γ函数、贝塔函数、阶乘及二项式系数 4.2不完全Γ函数、误差函数 4.3不完全贝塔函数 4.4零阶、一阶和任意整数阶的第一、二类贝塞尔函数 4.5零阶、一阶和任意整数阶的第一、二类变形贝塞尔函数 4.6分数阶第一类贝塞尔函数和变形贝塞尔函数 4.7指数积分和定指数积分 4.8连带勒让德函数附录

50多种数学算法的源代码. 第1章线性代数方程组的解法 1.全主元高斯约当消去法 2.LU分解法 3.追赶法 4.五对角线性方程组解法 5.线性方程组解的迭代改善 6.范德蒙方程组解法 7.托伯利兹方程组解法 8.奇异值分解 9.线性方程组的共轭梯度法 10.对称方程组的乔列斯基分解法 11.矩阵的QR分解 12.松弛迭代法第2章插值 1.拉格朗日插值 2.有理函数插值 3.三次样条插值 4.有序表的检索法 5.插值多项式 6.二元拉格朗日插值 7.双三次样条插值第3章数值积分 1.梯形求积法 2.辛普森求积法 3.龙贝格求积法 4.反常积分 5.高斯求积法 6.三重积分第4章特殊函数 1.г函数、贝塔函数、阶乘及二项式系数 2.不完全г函数、误差函数 3.不完全贝塔函数 4.零阶、一阶和任意整数阶的第一、二类贝赛函数 5.零阶、一阶和任意整数阶的第一、二类变形贝赛函数 6.分数阶第一类贝赛尔函数和变形贝赛尔函数 7.指数积分和定指数积分 8.连带勒让德函数第5章函数逼近 1.级数求和 2.多项式和有理函数 3.切比雪夫逼近 4.积分和导数的切比雪夫逼近 5.有切比雪夫逼近函数的多项式逼近第6章特征值问题 1.对称矩阵的雅可比变换 2.变实对称矩阵为三对角对称矩阵 3.三对角矩阵的特征值和特征向量 4.变一般矩阵为赫申伯格矩阵 5.实赫申伯格矩阵的QR算法第7章数据拟合 1.直线拟合 2.线性最小二乘法 3.非线性最小二乘法 4.绝对值偏差最小的直线拟合第8章方程求根和非线性方程组的解法 1.图解法 2.逐步扫描法和二分法 3.割线法和试位法 4.布伦特方法 5.牛顿拉斐森法 6.求复系数多项式根的拉盖尔方法 7.求实系数多项式根的贝尔斯托方法 8.非线性方程组的牛顿拉斐斯方法第9章函数的极值和最优化 1.黄金分割搜索法 2.不用导数的布伦特法 3.用导数的布伦特法 4.多元函数的下山单纯形法 5.多元函数的包维尔法 6.多元函数的共轭梯度法 7.多元函数的变尺度法 8.线性规划的单纯形法第10章傅里叶变换谱方法 1.复数据快速傅里叶变换算法 2.实数据快速傅里叶变换算法一 3.实数据快速傅里叶变换算法二 4.快速正弦变换和余弦变换 5.卷积和逆卷积的快速算法 6.离散相关和自相关的快速算法 7.多维快速傅里叶变换算法第11章数据的统计描述 1.分布的矩——均值、平均差、标准差、方差、斜差和峰态 2.中位数的搜索 3.均值与方差的显著性检验 4.分布拟合的X平方检验 5.分布拟合的K-S检验法第12章解常微分方程组 1.定步长四阶龙格库塔法 2.自适应变步长的龙格库塔法 3.改进的中点法 4.外推法第13章偏微分方程的解法 1.解边值问题的松驰法 2.交替方向隐式方法

不同行不同列的n个元素的乘积，当这个乘积列的下标的逆序对个数为偶数时，该项为正，当这个乘积列的下标的逆序对个数为奇数时，该项为负，并对这些乘积求和

1. 调用格式： a. p=polyfit(x,y,n) b. [p,S] = polyfit(x,y,n) c. [p,S，mu]=polyfit(x,y,n) 2. 参数意义 x : 源数据点对应的横坐标，可为行向量、矩阵 y : 源数据点对应的纵坐标，可为行向量、矩阵 n : 要拟合的阶数，k阶拟合需要确定k+1个未知参数，故而至少需要k+1对...

曲线拟合方法最小二乘法最大似然估计梯度下降法多项式拟合 Python代码数据集征兵抽签1-366号y366个不同的人抽x结果表明生日靠后的人易抽到小号概念最小二乘法多项式曲线拟合，根据给定的m个点,并不要求这条曲线精确地经过这些点，而是曲线y=f(x)的近似曲线y= φ(x)。原理给定数据点pi(xi,yi)，其中i=1,2,…,m。求近似曲线y= φ(x)。并且使得近似曲线与y=f(x)的偏差

15,440

社区成员

58,167

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章