5.0 概述 5.1 退化模型 5.2 ,常见退化模型及辨识方法 5.3 图像的无约束恢复 5.4 图像的有约束最小二乘恢复 5.5 几何畸变图像的恢复 5.6 超分辨率图像复原

7.1 概述 7.2 估计理论基础 7.3 维纳滤波估计 7.4 最小二乘估计 7.5 卡尔曼滤波估计 7.6 自校正控制

本书介绍常用的数值计算方法，内容包括：函数插值、最小二乘拟合、非线性方程求解、线性方程组解法、数值积分和微分、常微分方程数值解法、矩阵的特征值问题等.本书例题丰富，形式多样，并有C语言和Mathematica语言的例题和习题

01 经典线性回归模型 02 普通最小二乘估计 03 拟合优度和模型选择准则 04 OLS估计量的无偏性和有效性 05 参数假设检验 06 应用与重要实例

9.1 联立方程模型的概念 9.2 联立方程模型的分类（结构模型，简化型模型） 9.3 联立方程模型的识别 9.4 联立方程模型的估计方法（两段最小二乘估计的EViews操作） 9.5 案例

5.0 概述 5.1 退化模型 5.2 常见退化模型及辨识方法 5.3 图像的无约束恢复 5.4 图像的有约束最小二乘恢复 5. 5 5. 5 几何畸变图像的恢复 5.6 超分辨率图像复原

3.3.1 QR 分解的存在性与唯一性 3.3.2 基于 MGS 的 QR 分解 3.3.3 基于 Householder 分解的 QR 分解 3.3.4 基于 Givens 变换的 QR 分解 3.3.5 QR 分解的稳定性

本书介绍常用的数值计算方法，内容包括：函数插值、最小二乘拟合、非线性方程求解、线性方程组解法、数值积分和微分、常微分方程数值解法、矩阵的特征值问题等.本书例题丰富，形式多样，并有C语言和Mathematica语言的例题和习题

◼ 1. 相关关系的分析方法 ◼ 2. 一元线性回归的基本原理和参数的最小二乘估计 ◼ 3. 回归直线的拟合优度 ◼ 4. 回归方程的显著性检验 ◼ 5. 利用回归方程进行估计和预测 ◼ 11.1 变量间关系的度量 ◼ 11.2 一元线性回归 ◼ 11.3 利用回归方程进行估计和预测 ◼ 11.4 残差分析

通常,在分析估计回归直线的性能和自变量对 最终回归的影响时,用方差分析方法 方差分析是一种主要用于线性回归模型中β 值非零的情况下的识别方法。假设用最小二乘 法已求出参数β的值,那么观察到的输出值和 拟合值的差异是残差