小参 该存储库包含由GraphOptimization（Beijing），Inc.开发的轻量级图形优化库的代码。 感谢gtsam的作者。 我们仅将核心功能和类保留在gtsam中。 编写库时，请遵循以下规则。 尽可能少使用模板。 没有使用boost库。 没有特质。 没有智能指针。 自给自足。 要求： gcc编译器版本：5.4.0 20160609（Ubuntu 5.4.0-6ubuntu1〜16.04.11） 高于2.6版的CMake 安装： 将项目克隆到本地。 git clone 运行命令： cd minisam_lib mkdir build cd build cmake .. sudo make install 平台： 仅支持Ubuntu。 对于其他平台，您可以与我们联系。 接触： 如果您有任何需求，请在github上提出问题，或发送电子邮

Lecture book of Daniel Liberzon

非线性系统 Hassan_k_khalil

非线性有限元分析经典教材 Wiley 2000 全英文版

经典教材，讲述线性和非线性方面的优化问题。

This book is intended as a text covering the central concepts of practical optimization techniques. It is designed for either self-study by professionals or classroom work at the undergraduate or graduate level for students who have a technical background in engineering, mathematics, or science. Like the field of optimization itself, which involves many classical disciplines, the book should be useful to system analysts, operations researchers, numerical analysts, management scientists, and other specialists from the host of disciplines from which practical optimization applications are drawn. The prerequisites for convenient use of the book are relatively modest; the prime requirement being some familiarity with introductory elements of linear algebra. Certain sections and developments do assume some knowledge of more advanced concepts of linear algebra, such as eigenvector analysis, or some background in sets of real numbers, but the text is structured so that the mainstream of the development can be faithfully pursued without reliance on this more advanced background material.

稳健的回归和离群值检测 使用贝叶斯迭代将已知模型稳固地拟合到数据。 这两个实现使用 兰萨克 M估计 健壮的部分实现了，而功能却没有实现。 模型拟合是从scipy.minimize借用的。 随意使用其他模型拟合方法。 要求 numpy是robust_lsq.py的唯一先决条件。 robust_lsq.py需要最小二乘拟合函数（或其他拟合函数），例如scipy.optimize.minimize 。 请参阅示例models.py 。 robust_lsq.py 麻木 models.py 科学的 麻木 test.py 科学的 麻木 matplotlib 设置 请运行test.py以获取使用贝叶斯估计将直线稳固地拟合到数据的示例。 它是如何工作的？ 关键思想是确定最适合模型的样本。 使用贝叶斯更新。 贝叶斯规则由下式给出： P（数据/模型）= P（模型/数据）* P（数据）/ p（模型）

pyHSICLasso pyHSICLasso是希尔伯特·施密特（Hilbert Schmidt）独立标准套索（HSIC Lasso）的软件包，这是一种考虑了非线性输入和输出关系的黑匣子（非线性）特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性（mRMR）特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它，您可以补充非线性输入和输出的依赖性，并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中，例如从微阵列数据中选择基因，文档分类和假体控制，在高维监督学习中寻找功能的子集是一个重要的问题。 安装

it is about the nonlinear control methods

matlab代码 积分 Readme 这是我在研一下学习非线性方程组数值解时的MATLAB代码记录。 第一次作业是让我们找个100维的非线性方程组，然后后面几次的作业是让我们用不同的迭代方法迭代计算他的数值解，并比较不同解法的优劣。 由于作业的pdf 中有个人信息的名字，所以被我重新处理了一下，本质上还是提交给老师的作业。 有一些作业文件夹里都有自己的Readme文档，可以查看更详细的信息，当然，大多数文件夹中没有。 [TOC] 下面是每次作业的内容： 第二次作业：牛顿法迭代 这一次写的太烂，还附赠了同学的代码 第三次作业：Newton-SOR 迭代法和 SOR-Newton 迭代法 只给出了结果，没有写自己观察的结论，或者说总结和讨论（或者说自己的感想），被老师教育了一顿，不知道在最后一次作业里补上了没有。 第四次作业：一点割线法、两点割线法和改进n步迭代法 第五次作业：延拓牛顿法和循环中点求积牛顿法 这次作业也是个总结，老师要求把之前所有的作业都一起呈现出来。 实验结论在这次作业中总结的最好，但是代码都分布在其他作业的各个文件夹中。