针对标准无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法本身存在着因状态误差协方差矩阵无法实现Cholesky分解而导致滤波发散的隐患，以及在电池状态估计过程中由离线标定的电池等效模型参数而造成的累积误差的问题，本文发展了一种平方根无迹卡尔曼滤波(Square-root unscented Kalman filter, SR-UKF)算法，并设计了一种电池状态联合估计策略。首先快速SR-UKF算法通过对观测方程进行准线性化处理，降低了每次无迹变换时的计算开销；然后在迭代过程中，用状态误差协方差矩阵的平方根代替状态误差协方差矩阵，该平方根是由QR分解与 Cholesky因子的一阶更新得到，解决了UKF 算法迭代过程中可能由计算累积误差引起状态误差协方差矩阵负定而导致滤波结果发散的问题，保证了电池荷电状态(State of charge，SOC)在线滚动估计的数值稳定性；最后采用联合估计策略，对电池等效模型参数进行实时辨识，保证了电池等效模型的准确性与有效性，从而提高了电池SOC的估计精度。仿真对比结果验证了快速SR-UKF算法以及电池状态联合估计策略的可行性与鲁棒性

大概是由于以前人们使用计算工具非常落后,所以计算量较小的计算方法更受欢迎 解线性方程组的约当消去法的计算量比高斯消去法稍大一些,这对于我们现在使用的计算机来说,完全算 不了什么 约当消去法算法更简单,编程的方式更灵活,还可用来求解有无数组解的线性方程组,还可用来求矩阵的逆。所以约当消去法的价值超过了高斯消去法。 高斯消去法的回顾 高斯消去法的的关键是把线性方程组化为上三角形线性方程组,也就是利用akk不为零来消去

高等数学 T 文科高等数学 高等数学 线性代数 高等代数 空间解析几何 数学分析 复变函数与积分变换 复变函数 应用回归分析 概率论 概率论与数理统计 A 概率论与数理统计 应用随机过程 运筹学 最优化方法 离散数学 数学实验与建模 数学与经济 数学与文化 大学物理 卫星导航的奥秘 朋友圈与网络 数字动画与虚拟现实技术导论 计算方法 数字图像处理 数字信号处理 计算机应用基础 B 数据结构 计算机应用基础 逻辑与计算机设计基础 人工智能鱼 FLASH 动画设计与 ASP 编程 数据库基础及应用 Java 程序设计 数据库系统原理 数据库应用基础 软件工程 现代操作系统 嵌入式操作系统 web 程序设计 程序设计语言（C++） 程序设计语言（C 语言） 程序设计语言 python I 程序设计语言 python II 程序设计基础 I 程序设计基础 I 课程设计 Photoshop 入门与提高 电子商务概论 编程艺术 编译原理技术 编译原理技术课程设计 操作系统原理 操作系统原理课程设计 大数据应用平台 大数据应用平台课程设计 单片机原理与应用 高级程序设计 高级程序设计课程设计 海洋大数据技术与应用 海洋大数据技术与应用课程设计 计算机网络 计算机网络课程设计 计算机系统结构 计算机组成原理 数据结构课程设计 数据库原理 数据库原理课程设计 数据挖掘 数据挖掘课程设计 信息安全概论 信息论 虚拟现实 移动开发技术 中级综合开发实践 专业大型综合实践 综合实习 毕业设计(论文) 毕业设计（论文） 毕业论文 海洋空间信息工程概论 海洋信息技术与应用 海洋遥感影像分析 海洋遥感影像分析课程设计 空间建模与分析 空间建模与分析课程设计 空间数据获取技术基础 空间数据获取技术基础课程设计 空间信息管理与服务 逻辑与计算机设计基础 I 课程设计 人工智能基础 人工智能基础课程设计 数学建模 数学建模课程设计 数学实验 数值分析 数值分析课程设计实习 数字信号处理课程设计 算法基础 算法基础课程设计 微机原理与接口技术 物联网概论 软件工程课程设计 软件工程综合课程设计 软件开发与创新 软件开发与创新课程设计 数学专业英语 控制论基础 计算智能

通过本章的学习应掌握Exce中的算法问题,将管 理活动提升到理论的高度,提高数字化管理的能力

南京大学：《计算机问题求解》课程教学资源（PPT课件讲稿）数论算法

南京大学：《计算机问题求解》课程教学资源（PPT课件讲稿）数论算法（OLD）

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度

针对部分聚类算法对数据输入顺序敏感的问题,定义了不干涉序列指数,提出了应用不干涉序列指数对分类数据进行加权排序的方法,并基于该方法对受数据输入顺序影响的CABOSFV_C分类数据高效聚类算法进行改进,提出了考虑加权排序的聚类算法(CABOSFV_CSW),消除了算法对数据输入顺序的敏感性.采用UCI基准数据集进行实验,发现应用加权升序排序的CABOSFV_CSW算法在处理分类数据时,聚类质量较原始CABOSFV_C算法和其他受数据输入顺序影响的算法在准确性上有改善,在稳定性上有显著提高

1.1 算法与程序 1.2 表达算法的抽象机制 1.3 描述算法 1.4 算法复杂性分析

Ch.1 绪论 Ch.2 数字概率算法 Ch.3 Sherwood算法 Ch.4 Las Vegas算法 Ch.5 Monte Carlo算法