采用串行级联网格编码调制(SCTCM)技术,高效利用带宽受限的水声信道带宽.同时,为了克服水声信道时变多途衰落,消除码间干扰,运用Turbo迭代原理构建多通道自适应均衡器和SCTCM译码器联合迭代算法.在联合迭代均衡和译码(JIED)算法中,均衡器和译码器通过迭代的方式,交换数据符号的软信息来改善均衡器的性能,从而实现高速、可靠的数据传输.计算机仿真结果表明,使用上述体制的水声通信系统,在高效利用水声信道带宽的同时,利用译码器提供的译码增益,提高了均衡器的数据处理能力,通信系统接收数据的误码率降低了两个数

从高斯-牛顿迭代的角度对迭代扩展卡尔曼滤波(IEKF)进行分析,提出了一种基于组合牛顿迭代法的改进IEKF算法。该算法通过实时判断每次迭代对状态的逼近程度,采用加权平均的方法确定新的迭代值,继而采用卡尔曼滤波框架对状态进行量测更新。新算法较传统的IEKF具有精度高以及对初值不敏感的优点。实例仿真验证了该算法的有效性。

迭代学习PID控制Simulink模型

Richard S Varga 著 是学习数值线性代数，矩阵迭代的重要参考书籍。

渐进迭代逼近（简称PIA）是一种直观有效的数据拟合方法。经典的PIA方法要求曲面控制顶点的个数等于拟合数据点的个数，并不适用于大量数据的拟合。为了改造经典PIA方法，特别研究了使用最频繁的三角曲面用PIA来生成的算法，并重点考虑实际中最常用的低次情形。证明了低次（n=2，3，4）非均匀三角 bezier曲面具有最小二乘渐进迭代逼近（简称 LSPIA性质，并且迭代得到的三角 Bezier曲面序列的极限就是数据点的最小二乘拟合。同时，还提供了如何选择合适的权值使得迭代拥有最快收敛速度的方法。实例验证了最小二乘PIA方法的有效性。

对偏最小二乘(PLS)回归的基本方法进行了分析研究，提出了基于非线性迭代偏最小二乘(NIPLS)的信息模式识别算法。该算法实现了模式识别中特征提取与分类器设计的有机结合。NIPLS较Fisher判别分析、Bayes判别分析等经典的模式识别算法，具有更强的信息识别能力，且对数据本身的分布要求不高，尤其对于多重共线性资料或解释变量多而样本数量少时更为有效。将该算法应用于土地质量的分类识别，结果表明，该文所建立的算法是有效的、可靠的。

每个代码都可以运行哦 运行环境我的是VC6.0 数值分析C++源码-二分法,迭代法,牛顿法,高斯消元法,高斯先列主元消元法,高斯全主元消元法,标度化列住院消元法,直接三角分解法,道立特分解法,改进的平方根法,平方根法,雅克比法,高斯赛德尔迭代法,牛顿插值法,拉格朗日插值法,最小二乘法,牛顿插值

概念：C++的一种机制，用来遍历标准模板库容器中的元素，是一种”智能”指针 一、迭代器的特点 迭代器是一种智能指针，具有遍历复杂数据结构的能力 不同的容器有不一样的内部结构，因此会有一样的迭代器类型 迭代器定义后，并不属于某一实例容器对象，只要是属于该迭代器类型的容器类型都可用 迭代器的分类 C++的STL定义了5种迭代器 输入迭代器：提供了对其指向元素的只读操作以及前++和后++操作符 输出迭代器：提供了对其指向元素的写操作和++操作符 向前迭代器：具有++操作符 双向迭代器：既具有++操作符也具有–操作符 随机访问迭代器：是一般的迭代器，既可以随机的实现跳

为了改善针对一般非线性离散时间系统的控制性能，引入“拟伪偏导数”概念，给出了一般非线性离散时间系统沿迭代轴的非参数动态线性化形式，并综合BP神经网络以及模糊控制各自的优点，提出了基于BP算法无模型自适应迭代学习控制方案。仿真结果表明，该控制器对模型有较强的鲁棒性和跟踪性。

为提高三维激光扫描点云数据的配准精度，提出了一种基于快速点特征直方图特征的迭代插值配准方法。配准过程中，点云数据获取时受扫描仪分辨率影响，点云局部或整体密度偏小，两次测量点云数据的相同位置不存在完全相同的点，以致对应点之间存在误差。为减小误差对配准精度影响，引入迭代插值方法，增加点云整体密度。通过计算关键点的快速点特征直方图的特征寻找对应关系，使用随机采样一致算法去除错误对应关系，对对应点协方差矩阵进行奇异值分解求得粗配准旋转平移矩阵，再使用迭代最近点算法进行点云的精确配准。实验结果表明，改进的配准方法简