numerical-methods

-1熱度

1回答

我在此分配工作：首先，實施由規定的F函數：F（X）= EXP（X）-sin（x）的最接近零。其次，執行第95頁上的正割法和用它來尋找的f函數的根，給定的輸入值X0 = -3.5和X1 = -2.5 添加以下 - 一個絕對測試：abs（f（x））< epsilon - 相對測試：abs（x^k-x^{k-1}）/ abs（x^{k}）\ leq delta - 迭代後衛：k < iter_max

-1熱度

1回答

牛頓法

我想用牛頓法找出方程約束的根（對任何其他方法都是開放的）。等式約束取決於具有一個未知項的二次方程的根。公式描述（二次和約束）如下所示。二次方程的根假定爲p1和p2。 x^2 + x*(c1*unknown/2 + C1*c2)/(c1*c2*c3*unknown/2) + 1/(c1*c2*c3*u/2) = 0 與約束 (1/(p2-p1))*(exp(-0.3*p2) - 1)*(c1*c

1熱度

1回答

龍格 - 庫塔用於耦合常微分方程

我建立在八度的功能，可以解決的類型的N耦合常微分方程： dx/dt = F(x,y,…,z,t) dy/dt = G(x,y,…,z,t) dz/dt = H(x,y,…,z,t) 與任何這三種方法（歐拉，威享和龍格 - 庫塔的-4）。下面的代碼對應於該函數： function sol = coupled_ode(E, dfuns, steps, a, b, ini, method)

0熱度

1回答

返回解決變量使用python

我想寫一個函數來解決從Python中的另一個函數的變量，有點像Excel解算器所做的。爲了簡化我的例子，我有一個函數需要幾個變量，然後計算一個價格。我將傳遞實際值（a，b，c，d，x）到該函數中，以便返回數值。 def calc_price(a,b,c,d,x): value = a+b*c-d + x return value 現在我給出了一個目標價格，a，b，c，d。

0熱度

2回答

使用matplotlib動畫庫製作動畫二等分方法

我對數學演示感興趣。目前我正在研究python中的數值方法的可視化，特別是二分法。以下是我迄今爲止編寫的代碼。 import matplotlib.pyplot as plt import matplotlib.animation as animation import numpy as np def sgn(x): if x > 0: return 1 e

1熱度

1回答

效率，但仍然精確的，指數

的多個I需要計算有效的像f(i,a) = exp(-0.5 * (i-1) * i * a)陣列針對所有i in (0..n)，與n高達20.000和a正值非常接近於0 爲了避免計算exp N次，我用了一個增量的方法，如（Scala中寫）： def fInc(n: Int, a: Double) val expA = Math.exp(-a) var u = 1.0

0熱度

1回答

建議整合貝塞爾函數在C++

我需要整合這種振盪功能：在那裏我有貝塞爾函數是振盪的，而F是不是很振盪。我正在尋找最精確/準確的方法來在C++中執行此操作。但願這應該是一個已經存在的實現，我可以如圖書館等使用通過...... 的GSL庫可能是一個選項，但請，即使在這種情況下，你能推薦我這許多例程avaialble是對我最有用？編輯：我知道這 possibly duplicate question 存在的，但我沒有看到一個明

0熱度

2回答

查找中心點給定距離矩陣

我有一個矩陣（真的是一個加載的圖像），其中每個元素是距離某個未知中心點的L2距離。下面是一個簡單的例子 A = [1.4142 1.0000 1.4142 2.2361] [1.0000 0.0000 1.0000 2.0000] [1.4142 1.0000 1.4142 2.2361] 在這種情況下，中心在明顯座標（1,1）（索引A [1,1]中的0索引矩陣或2D陣列

0熱度

2回答

從梯度重構曲線

假設我有一條曲線，然後通過使用np.gradient通過有限差分估計其梯度。給定初始點x [0]和梯度向量，我該如何重建原始曲線？在數學上我看到它可能給出了這個方程組，但我不確定如何以編程方式進行。下面是我的問題的一個簡單示例，其中我有sin（x）並計算與cos（x）匹配的數值差異。 test = np.vectorize(np.sin)(x) numerical_grad = np.grad

-1熱度

2回答

嘗試規範化數據時出現巨大數值錯誤

我經常通過數據處理某些數據。爲了簡單起見，讓我們考慮一下數據是一系列相同數量的數字。當數字不合理時，標準化數據可能會有用。常見的轉換之一是減去所有值的平均值。在這個轉換之後，轉換的數據將具有平均零。零均值後可以完成的其他常見轉換是將數據除以它們的標準偏差。應用此轉換後，新數據有單位差異。當以這種方式對數據進行歸一化處理時，我期望數值誤差應該更小。但是，我似乎無法做這些轉換，因爲即使我正在計算