9.1特征值与特征向量 9.2 Hermite矩阵特征值问题 9.3 Jacobi方法 9.4对分法 9.5乘幂法 9.6反幂法 9.7QR方法

假如试图利用四级 Runge-Kutta方法求解上述初 值问题,要求计算直至得到符合精度要求的稳态 解为止我们讨论计算过程可能遇到的问题 稳定性要求

来源于实际、又广泛用于实际。 多项式插值的主要目的是用一个多项式 拟合离散点上的函数值,使得可以用该 多项式估计数据点之间的函数值。 可导出数值积分方法,有限差分近似 关注插值多项式的表达式、精度、选点 效果

一、微分方程的解析解方法 二、微分方程问题的数值解法 1 微分方程问题算法概述 2 四阶定步长 Runge-Kutta-算法及 MATLAB实现

只要近似地算出右边的积分Ikfx,y(x)dx,则可通 过yi1=y+k近似(x).而选用不同近似式Ik,可得到不同的计算公式

1 幂迭代方法 2 反迭代方法 3 QR 迭代方法 4 带位移的隐式 QR 迭代 5 应用：多项式求根 ∗

定义在假设y=y(x),即第i步计算是精确的前提下,考 虑的截断误差R=y(x)-y称为局部截断误差鬥 local truncation error

高次插值有 Runge现象,故采用分段低次插值→分段低次合成的 Newton- Cotes复合求积公式

4 奇异值分解 4.1 奇异值，奇异向量和奇异值分解 4.2 奇异值基本性质 4.3 奇异值更多性质 ∗ 5 线性最小二乘问题的求解方法 5.1 正规方程法 5.2 QR 分解法 5.3 奇异值分解法 6 最小二乘问题的推广及其应用 ∗ 6.1 正则化与加权正则化 6.2 约束最小二乘 6.3 多项式数据拟合 6.4 线性预测 6.5 信号恢复 6.6 SVD：图像压缩 — 截断 SVD 6.7 SVD：图像配准 Rigid Alignment / Shape Registration

§1 Euler方法 §2 Runge-Kutta法 §3 单步法的绝对稳定性 §4 线性多步法 §5 一阶方程组与高阶方程的初值问题