哈工大数学实验实验报告

合集下载

哈工大随机信号实验报告

H a r b i n I n s t i t u t e o f T e c h n o l o g y实验报告课程名称：随机信号分析院系：电信学院班级： 1205201 姓名：学号：指导教师：郑薇实验时间： 2014年 11月哈尔滨工业大学实验一各种分布随机数的产生一、实验目的在很多系统仿真的过程中，需要产生不同分布的随机变量。

利用计算机可以很方便地产生不同分布的随机变量，各种分布的随机变量的基础是均匀分布的随机变量。

有了均匀分布的随机变量，就可以用函数变换等方法得到其他分布的随机变量。

二、实验内容产生均匀分布的随机数、高斯分布的随机数和其它分布的随机数。

三、实验原理1. 均匀分布随机数的产生原理产生伪随机数的一种实用方法是同余法，它利用同余运算递推产生伪随机数序列。

最简单的方法是加同余法)(m od 1M c y y n n +=+My x n n 11++=为了保证产生的伪随机数能在[0,1]内均匀分布，需要M 为正整数，此外常数c 和初值y0亦为正整数。

加同余法虽然简单，但产生的伪随机数效果不好。

另一种同余法为乘同余法，它需要两次乘法才能产生一个[0,1]上均匀分布的随机数)(m od 1M ay y nn =+M y x n n 11++=式中，a 为正整数。

用加法和乘法完成递推运算的称为混合同余法，即)(m od 1M c ay y n n +=+My x n n 11++=用混合同余法产生的伪随机数具有较好的特性，一些程序库中都有成熟的程序供选择。

常用的计算语言如Basic 、C 和Matlab 都有产生均匀分布随机数的函数可以调用，只是用各种编程语言对应的函数产生的均匀分布随机数的范围不同，有的函数可能还需要提供种子或初始化。

Matlab 提供的函数rand()可以产生一个在[0,1]区间分布的随机数，rand(2,4)则可以产生一个在[0,1]区间分布的随机数矩阵，矩阵为2行4列。

哈工大数电自主设计实验报告

姓名班级学号实验日期2014.11. 节次教师签字成绩实验名称出租车计价表的简单逻辑设计1.实验目的（1）掌握并熟练运用集成同步加法计数器74LS160芯片的清零、置数和级联功能的接法，并能综合运用这些接法实现进制改变等功能。

（2）掌握并熟练运用中规模4位二进制码比较器74LS85芯片的数码比较功能。

（3）用若干集成同步加法计数器74LS160芯片和中规模4位二进制码比较器74LS85芯片组合设计出租车计价表电路，使之实现如下功能：起步价为3公里内8元，超过3公里每公里收2元，停车不计费，将最后的钱数通过数码管显示。

2.总体设计方案或技术路线（1）行车距离的模拟：在车轮上安装传感器，获得车轮转动信息，即获得行车距离信息，将出租车行驶距离转换成与之成正比的脉冲个数。

本实验设定每100m产生一个脉冲，脉冲频率反应行车速度，脉冲源由示波器的信号发生器提供。

（2）基本计数电路：，将该脉冲作为74LS160（I）的时钟，通过同步每100米产生一个脉冲CP置数对该脉冲进行5分频，那么得到的脉冲CP为每500m（1里）产生一次。

1作为距离计数单位以便距离累加电路进行距离累加。

CP1作为价格计数单位则为1元/里，以便计价电路进行价格累加；CP1（3）距离累加电路：将74LS160（II）和74LS160（III）通过级联构成一个0～99的加法计数器，作为他们的时钟。

然后分别把对行驶距离进行累计（距离单位：里），其中CP1两个芯片和数码管连接显示行驶距离。

因此该计价表行驶距离最大值为99里，即49.5公里。

（4）比较判断电路：将CP1作为74LS160（IV）的时钟，实现距离累加功能，与（3）不同的是它的输出端QD QCQBQA与74LS85的A3A2A1A相连,而B3B2B1B为0110，意味着6个500m即3公里，当74LS160（IV）输出小于或等于3公里时，A>B端为低电平，当输出大于3公里时，A>B端为高电平。

数学实验报告-哈工大

实验成绩实验报告
课程名称：数学实验
实验项目：常微分方程数值解
所在院系：
学生姓名：
学生学号：
授课学期： 2020秋
完成时间：
当1)0(=y ，取区间为[0,10]，用改进欧拉法得到的结果与ode23得到的结果如下图所示：
（2）0cos =+''x y y 1)0(=y ，0)0(='y 取区间[0,10]，用改进欧拉法得到的结果与ode23得到的结果如下图所示：
四、实验结果或结论分析
由实验结果可知，改进欧拉法与用ode23输出的结果十分相近，欧拉法在求解微分方程中具有极其重要的作用。

若改进式欧拉法取点越多，迭代次数越多，所得结果越接近真实值。

五、Matlab源程序
问题1的程序：
n=101;
y=zeros(n,1);
x=zeros(n,1);
y(1)=1;
x(1)=0;
long=10;
b=0;
m=0;
for i=1:100
m=y(i+1);
x(i+1)=(long/n)*i;
K1=8;
while k1>0.1
m=b;
b=y(i)+ long/n/2*(fun(x(i+1),m)+fun(x(i),y(i)));
%b=2*y(i+1)-y(i)+(long/n)^2/2*(fun(x(i+1),m)+fun(x(i),y(i))); K1=abs(m-b);
end
y(i+1)=b;
end
[m,n]=ode23(@(x,y)(x^2-y^2),[0,10],0.10);
plot(x,y);。

哈工大_数学实验报告

数学实验报告实验一Matlab的使用1.上机实验各种数据输入方法：程序语句：a=[1 2 3;4 5 6 ;7,8,9] 程序语句：linspace(1,10,5) 等等…………计算结果：a = 计算结果：ans =1 2 34 5 6 1.0000 3.2500 5.5000 7.7500 10.00007 8 92.(1) (a)方法：(b) 方法：程序语句：程序语句：a=[-3 5 0 8;1 -8 2 -1;0 -5 9 3;-7 0 -4 5]; a=[-3 5 0 8;1 -8 2 -1;0 -5 9 3;-7 0 -4 5];b=[0;2;-1;6]; b=[0;2;-1;6];inv(a)*b a\b计算结果：计算结果：ans = ans =-0.6386 -0.6386-0.4210 -0.4210-0.3529 -0.35290.0237 0.0237(2) 4个矩阵的生成语句：矩阵a 的生成语句：e=eye(3,3); a=[e r;o s]r=rand(3,2); 验证语句：o=zeros(2,3); a^2s=diag([1,2]);%此为一个任取的2X2 矩阵b=[e r+r*s; o s^2]计算结果相同：ans =1.0000 0 0 1.9003 1.45790 1.0000 0 0.4623 2.67390 0 1.0000 1.2137 2.28630 0 0 1.0000 00 0 0 0 4.00003.生成多项式的语句：poly ([2,-3,1+2i,1-2i,0,-6])计算结果：ans = 1 5 -9 -1 72 -180 0 计算x＝0.8,-x=-1.2 之值的指令与结果：指令：polyval([1,5,-9,-1,72,-180,0],0.8) 结果：ans= -100.2179指令：polyval([1,5,-9,-1,72,-180,0],-1.2) 结果：ans= 293.29004.求a的指令与结果：指令：a=compan([1,0,-6,3,-8])结果：a =0 6 -3 81 0 0 00 1 0 00 0 1 0求a的特征值的指令与结果：roots(p)的指令与结果为：指令：eig(a) 指令：roots([1,0,-6,3,-8])结果：结果：ans = ans =-2.8374 -2.83742.4692 2.46920.1841 + 1.0526i 0.1841 + 1.0526i0.1841 - 1.0526i 0.1841 - 1.0526i结论：利用友元阵函数a=company(p) 和eig(a) 可以与roots(p)有相同的作用，结果相同。

哈工大模式识别实验报告

模式识别实验报告本次报告选做第一个实验，实验报告如下：1 实验要求构造1个三层神经网络，输出节点数1个，即多输入单输出型结构，训练它用来将表中的第一类样本和第二类样本分开。

采用逐个样本修正的BP算法，设隐层节点数为4，学习效率η=0.1，惯性系数α=0.0；训练控制总的迭代次数N=100000；训练控制误差：e=0.3。

在采用0~1内均匀分布随机数初始化所有权值。

对1）分析学习效率η，惯性系数α；总的迭代次数N；训练控制误差e、初始化权值以及隐层节点数对网络性能的影响。

要求绘出学习曲线----训练误差与迭代次数的关系曲线。

并将得到的网络对训练样本分类，给出错误率。

采用批处理BP算法重复1)。

比较两者结果。

表1 神经网络用于模式识别数据(X1、X2、X3是样本的特征)2 BP 网络的构建三层前馈神经网络示意图，见图1.图1三层前馈神经网络①网络初始化，用一组随机数对网络赋初始权值，设置学习步长η、允许误差ε、网络结构（即网络层数L 和每层节点数n l ）；②为网络提供一组学习样本； ③对每个学习样本p 循环a ．逐层正向计算网络各节点的输入和输出；b ．计算第p 个样本的输出的误差Ep 和网络的总误差E ；c ．当E 小于允许误差ε或者达到指定的迭代次数时，学习过程结束，否则，进行误差反向传播。

d ．反向逐层计算网络各节点误差)(l jp δ如果l f 取为S 型函数，即xl e x f -+=11)(，则对于输出层))(1()()()()(l jp jdp l jp l jp l jp O y O O --=δ 对于隐含层∑+-=)1()()()()()1(l kj l jp l jp l jp l jp w O O δδe ．修正网络连接权值)1()()()1(-+=+l ip l jp ij ij O k W k W ηδ式中，k 为学习次数，η为学习因子。

η取值越大，每次权值的改变越剧烈，可能导致学习过程振荡，因此，为了使学习因子的取值足够大，又不至产生振荡，通常在权值修正公式中加入一个附加动量法。

哈工大数值分析报告上机实验报告

实验报告一题目： Gauss 列主元消去法摘要：求解线性方程组地方法很多,主要分为直接法和间接法.本实验运用直接法地Guass 消去法,并采用选主元地方法对方程组进行求解.前言：（目地和意义）1. 学习Gauss 消去法地原理.2. 了解列主元地意义.3. 确定什么时候系数阵要选主元数学原理：由于一般线性方程在使用Gauss 消去法求解时,从求解地过程中可以看到,若)1(-k kk a =0,则必须进行行交换,才能使消去过程进行下去.有地时候即使≠-)1(k kk a 0,但是其绝对值非常小,由于机器舍入误差地影响,消去过程也会出现不稳定得现象,导致结果不正确.因此有必要进行列主元技术,以最大可能地消除这种现象.这一技术要寻找行r ,使得)1()1(max ||->-=k ik ki k rk a a 并将第r 行和第k 行地元素进行交换,以使得当前地)1(-k kk a 地数值比0要大地多.这种列主元地消去法地主要步骤如下：1. 消元过程对k =1,2,…,n -1,进行如下步骤.1) 选主元,记ik ki rk a a >=max || 若||rk a 很小,这说明方程地系数矩阵严重病态,给出警告,提示结果可能不对.2) 交换增广阵A 地r ,k 两行地元素.kj rj a a ↔ (j=k,…,n +1)3) 计算消元kk kj ik ij ij a a a a a /-= (i=k+1,…,n ; j =k +1,……,n +1)2. 回代过程对k = n , n -1,…,1,进行如下计算)/(11,∑-=+-=nk j kk j kj n k k a x a a x至此,完成了整个方程组地求解.程序设计：本实验采用Matlab地M文件编写.Gauss消去法源程序：cleara=input('输入系数阵：>>\n')b=input('输入列阵b：>>\n')n=length(b);A=[a b]x=zeros(n,1);%%%函数主体for k=1:n-1;%%%是否进行主元选取if abs(A(k,k))<yipusilong;%事先给定地认为有必要选主元地小数yzhuyuan=1;else yzhuyuan=0;endif yzhuyuan;%%%%选主元t=A(k,k);for r=k+1:n;if abs(A(r,k))>abs(t)p=r;else p=k;endend%%%交换元素if p~=k;for q=k:n+1;s=A(k,q);A(k,q)=A(p,q);A(p,q)=s;endendend%%%判断系数矩阵是否奇异或病态非常严重if abs(A(k,k))< yipusilongdisp(‘矩阵奇异,解可能不正确’)end%%%%计算消元,得三角阵for r=k+1:n;m=A(r,k)/A(k,k);for q=k:n+1;A(r,q)=A(r,q)-A(k,q)*m;endendend%%%%求解xx(n)=A(n,n+1)/A(n,n);for k=n-1:-1:1;s=0;for r=k+1:n;s=s+A(k,r)*x(r);endt=(A(k,n+1)-s)x(k)=(A(k,n+1)-s)/A(k,k)end结果分析和讨论：例：求解方程⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡321643.5072.12-623.4712.31-32108-z y x .求解地结果为：x =[]367257386.0,05088607.0-49105822.0-，例：求解方程⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡73109104-10172-42-4z y x 求得地结果为：x =[]857142857.1,89285714.0-196428571.0，结论：采用Gauss 消去法时,如果在消元时对角线上地元素始终较大（假如大于10-5）,那么本方法不需要进行列主元计算,计算结果一般就可以达到要求,否则必须进行列主元这一步,以减少机器误差带来地影响,使方法得出地结果正确.实验报告二题目： Rung 现象产生和克服摘要：由于高次多项式插值不收敛,会产生Runge 现象,本实验在给出具体地实例后,采用分段线性插值和三次样条插值地方法有效地克服了这一现象,而且还取地很好地插值效果.前言：（目地和意义）1. 深刻认识多项式插值地缺点.2. 明确插值地不收敛性怎样克服.3. 明确精度与节点和插值方法地关系.数学原理：在给定n+1个节点和相应地函数值以后构造n 次地Lagrange 插值多项式,实验结果表明（见后面地图）这种多项式并不是随着次数地升高对函数地逼近越来越好,这种现象就是Rung 现象.解决Rung 现象地方法通常有分段线性插值、三次样条插值等方法.分段线性插值：设在区间[a, b ]上,给定n+1个插值节点a=x 0<x 1<…<x n =b和相应地函数值y 0,y 1,…,y n ,,求作一个插值函数)(x φ,具有如下性质：1) j j y x =)(φ,j=0,1,…,n .2) )(x φ在每个区间[x i , x j ]上是线性连续函数.则插值函数)(x φ称为区间[a, b ]上对应n 个数据点地分段线性插值函数.三次样条插值：给定区间[a, b ]一个分划⊿：a=x 0<x 1<…<x N =b若函数S(x)满足下列条件：1) S(x)在每个区间[x i , x j ]上是不高于3次地多项式.2) S(x)及其2阶导数在[a, b ]上连续.则称S(x)使关于分划⊿地三次样条函数. 程序设计流程：本实验采用Matlab 地M 文件编写.其中待插值地方程写成function 地方式,如下function y=f(x);y=1/（1+25*x*x ）;写成如上形式即可,下面给出主程序Lagrange 插值源程序：n=input('将区间分为地等份数输入：\n');s=[-1+2/n*[0:n]];%%%给定地定点,Rf为给定地函数x=-1:0.01:1;f=0;for q=1:n+1;l=1;%求插值基函数for k=1:n+1;if k~=q;l=l.*(x-s(k))./(s(q)-s(k));elsel=l;endendf=f+Rf(s(q))*l;%求插值函数endplot(x,f,'r')%作出插值函数曲线grid onhold on分段线性插值源程序clearn=input('将区间分为地等份数输入：\n');s=[-1+2/n*[0:n]];%%%给定地定点,Rf为给定地函数m=0;hh=0.001;for x=-1:hh:1;ff=0;for k=1:n+1;%%%求插值基函数switch kcase 1if x<=s(2);l=(x-s(2))./(s(1)-s(2));elsel=0;endcase n+1if x>s(n);l=(x-s(n))./(s(n+1)-s(n));elsel=0;endotherwiseif x>=s(k-1)&x<=s(k);l=(x-s(k-1))./(s(k)-s(k-1));else if x>=s(k)&x<=s(k+1);l=(x-s(k+1))./(s(k)-s(k+1));elsel=0;endendendff=ff+Rf(s(k))*l;%%求插值函数值endm=m+1;f(m)=ff;end%%%作出曲线x=-1:hh:1;plot(x,f,'r');grid onhold on三次样条插值源程序：（采用第一边界条件）clearn=input('将区间分为地等份数输入：\n');%%%插值区间a=-1;b=1;hh=0.001;%画图地步长s=[a+(b-a)/n*[0:n]];%%%给定地定点,Rf为给定地函数%%%%第一边界条件Rf"(-1),Rf"(1)v=5000*1/(1+25*a*a)^3-50/(1+25*a*a)^4;for k=1:n;%取出节点间距h(k)=s(k+1)-s(k);endfor k=1:n-1;%求出系数向量lamuda,miula(k)=h(k+1)/(h(k+1)+h(k));miu(k)=1-la(k);end%%%%赋值系数矩阵Afor k=1:n-1;for p=1:n-1;switch pcase kA(k,p)=2;case k-1A(k,p)=miu(p+1);case k+1A(k,p)=la(p-1);otherwiseA(k,p)=0;endendend%%%%求出d阵for k=1:n-1;switch kcase 1d(k)=6*f2c([s(k) s(k+1) s(k+2)])-miu(k)*v;case n-1d(k)=6*f2c([s(k) s(k+1) s(k+2)])-la(k)*v;otherwised(k)=6*f2c([s(k) s(k+1) s(k+2)]);endend%%%%求解M阵M=A\d';M=[v;M;v];%%%%m=0;f=0;for x=a:hh:b;if x==a;p=1;elsep=ceil((x-s(1))/((b-a)/n));endff1=0;ff2=0;ff3=0;ff4=0;m=m+1;ff1=1/h(p)*(s(p+1)-x)^3*M(p)/6;ff2=1/h(p)*(x-s(p))^3*M(p+1)/6;ff3=((Rf(s(p+1))-Rf(s(p)))/h(p)-h(p)*(M(p+1)-M(p))/6)*(x-s(p));ff4=Rf(s(p))-M(p)*h(p)*h(p)/6;f(m)=ff1+ff2+ff3+ff4 ;end%%%作出插值图形x=a:hh:b;plot(x,f,'k')hold ongrid on结果分析和讨论：本实验采用函数22511)(xx f +=进行数值插值,插值区间为[-1,1],给定节点为 x j =-1+jh ,h=0.1,j =0,…,n .下面分别给出Lagrang e 插值,三次样条插值,线性插值地函数曲线和数据表.图中只标出Lagrang e 插值地十次多项式地曲线,其它曲线没有标出,从数据表中可以看出具体地误差.表中,L10(x)为Lagrang e插值地10次多项式,S10(x),S40(x)分别代表n=10,40地三次样条插值函数,X10(x),X40(x)分别代表n=10,40地线性分段插值函数.x f(x)L10(x)S10(x) S40(x) X10(x) X40(x) -1.00000000000000 0.03846153846154 0.03846153846154 0.03846153846154 0.03846153846154 0.03846153846154 0.03846153846154 -0.95000000000000 0.04244031830239 1.92363114971920 0.04240833151040 0.04244031830239 0.04355203619910 0.04244031830239 -0.90000000000000 0.04705882352941 1.57872099034926 0.04709697585458 0.04705882352941 0.04864253393665 0.04705882352941 -0.85000000000000 0.05245901639344 0.71945912837982 0.05255839923979 0.05245901639344 0.05373303167421 0.05245901639344 -0.80000000000000 0.05882352941176 0.05882352941176 0.05882352941176 0.05882352941176 0.05882352941176 0.05882352941176 -0.75000000000000 0.06639004149378 -0.23146174989674 0.06603986172744 0.06639004149378 0.06911764705882 0.06639004149378 -0.70000000000000 0.07547169811321 -0.22619628906250 0.07482116198866 0.07547169811321 0.07941176470588 0.07547169811321 -0.65000000000000 0.08648648648649 -0.07260420322418 0.08589776360849 0.08648648648649 0.08970588235294 0.08648648648649 -0.60000000000000 0.10000000000000 0.10000000000000 0.10000000000000 0.10000000000000 0.10000000000000 0.10000000000000 -0.55000000000000 0.11678832116788 0.21559187891257 0.11783833017713 0.11678832116788 0.12500000000000 0.11678832116788 -0.50000000000000 0.13793103448276 0.25375545726103 0.14004371555730 0.13793103448276 0.15000000000000 0.13793103448276 -0.45000000000000 0.16494845360825 0.23496854305267 0.16722724315883 0.16494845360825 0.17500000000000 0.16494845360825 -0.40000000000000 0.20000000000000 0.20000000000000 0.20000000000000 0.20000000000000 0.20000000000000 0.20000000000000 -0.35000000000000 0.24615384615385 0.19058046675376 0.24054799403464 0.24615384615385 0.27500000000000 0.24615384615385 -0.30000000000000 0.30769230769231 0.23534659131080 0.29735691695860 0.30769230769231 0.35000000000000 0.30769230769231 -0.25000000000000 0.39024390243902 0.34264123439789 0.38048738140327 0.39024390243902 0.42500000000000 0.39024390243902 -0.20000000000000 0.50000000000000 0.50000000000000 0.50000000000000 0.50000000000000 0.50000000000000 0.50000000000000 -0.15000000000000 0.64000000000000 0.67898957729340 0.65746969368431 0.64000000000000 0.62500000000000 0.64000000000000 -0.10000000000000 0.80000000000000 0.84340742982890 0.82052861660828 0.80000000000000 0.75000000000000 0.80000000000000 -0.05000000000000 0.94117647058824 0.95862704866073 0.94832323122810 0.94117647058824 0.87500000000000 0.941176470588240 1.00000000000000 1.00000000000000 1.00000000000000 1.00000000000000 1.000000000000001.000000000000000.05000000000000 0.94117647058824 0.95862704866073 0.94832323122810 0.94117647058824 0.87500000000000 0.941176470588240.10000000000000 0.80000000000000 0.84340742982890 0.82052861660828 0.80000000000000 0.75000000000000 0.800000000000000.15000000000000 0.64000000000000 0.67898957729340 0.65746969368431 0.64000000000000 0.62500000000000 0.640000000000000.20000000000000 0.50000000000000 0.50000000000000 0.50000000000000 0.50000000000000 0.50000000000000 0.500000000000000.25000000000000 0.39024390243902 0.34264123439789 0.38048738140327 0.39024390243902 0.42500000000000 0.390243902439020.30000000000000 0.30769230769231 0.23534659131080 0.29735691695860 0.30769230769231 0.350000000000000.307692307692310.35000000000000 0.24615384615385 0.19058046675376 0.24054799403464 0.24615384615385 0.27500000000000 0.246153846153850.40000000000000 0.20000000000000 0.20000000000000 0.20000000000000 0.20000000000000 0.20000000000000 0.200000000000000.45000000000000 0.16494845360825 0.23496854305267 0.16722724315883 0.16494845360825 0.17500000000000 0.164948453608250.50000000000000 0.13793103448276 0.25375545726103 0.14004371555730 0.13793103448276 0.15000000000000 0.137931034482760.55000000000000 0.11678832116788 0.21559187891257 0.11783833017713 0.11678832116788 0.12500000000000 0.116788321167880.60000000000000 0.10000000000000 0.10000000000000 0.10000000000000 0.10000000000000 0.10000000000000 0.100000000000000.65000000000000 0.08648648648649 -0.07260420322418 0.08589776360849 0.08648648648649 0.08970588235294 0.086486486486490.70000000000000 0.07547169811321 -0.22619628906250 0.07482116198866 0.07547169811321 0.07941176470588 0.075471698113210.75000000000000 0.06639004149378 -0.23146174989674 0.06603986172744 0.06639004149378 0.06911764705882 0.066390041493780.80000000000000 0.05882352941176 0.05882352941176 0.05882352941176 0.05882352941176 0.05882352941176 0.058823529411760.85000000000000 0.05245901639344 0.71945912837982 0.05255839923979 0.05245901639344 0.05373303167421 0.052459016393440.90000000000000 0.04705882352941 1.57872099034926 0.04709697585458 0.04705882352941 0.04864253393665 0.047058823529410.95000000000000 0.04244031830239 1.92363114971920 0.04240833151040 0.04244031830239 0.04355203619910 0.042440318302391.00000000000000 0.03846153846154 0.03846153846154 0.03846153846154 0.03846153846154 0.03846153846154 0.03846153846154从以上结果可以看到,用三次样条插值和线性分段插值,不会出现多项式插值是出现地Runge现象,插值效果明显提高.进一步说,为了提高插值精度,用三次样条插值和线性分段插值是可以增加插值节点地办法来满足要求,而用多项式插值函数时,节点数地增加必然会使多项式地次数增加,这样会引起数值不稳定,所以说这两种插值要比多项式插值好地多.而且在给定节点数地条件下,三次样条插值地精度要优于线性分段插值,曲线地光滑性也要好一些.实验报告三题目：多项式最小二乘法摘要：对于具体实验时,通常不是先给出函数地解析式,再进行实验,而是通过实验地观察和测量给出离散地一些点,再来求出具体地函数解析式.又因为测量误差地存在,实际真实地解析式曲线并不一定通过测量给出地所有点.最小二乘法是求解这一问题地很好地方法,本实验运用这一方法实现对给定数据地拟合. 前言：（目地和意义）1. 学习使用最小二成法地原理2. 了解法方程地特性数学原理：对于给定地测量数据(x i ,f i )(i=1,2,…,n ),设函数分布为∑==mj j j x a x y 0)()(ϕ特别地,取)(x j ϕ为多项式j j x x =)(ϕ (j=0, 1,…,m )则根据最小二乘法原理,可以构造泛函∑∑==-=n i mj i j j i m x a f a a a H 110))((),,,(ϕ令0=∂∂ka H(k=0, 1,…,m ) 则可以得到法方程⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡),(),(),(),(),(),(),(),(),(),(),(),(1010101111000100m m m m m m m m f f f a a a ϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕ求该解方程组,则可以得到解m a a a ,,,10 ,因此可得到数据地最小二乘解∑=≈mj j j x a x f 0)()(ϕ程序设计：本实验采用Matlab 地M 文件编写.其中多项式函数j j x =ϕ写成function 地方式,如下function y=fai(x,j)y=1;for i=1:jy=x.*y;end写成如上形式即可,下面给出主程序.多项式最小二乘法源程序clear%%%给定测量数据点(s,f)s=[3 4 5 6 7 8 9];f=[2.01 2.98 3.50 5.02 5.47 6.02 7.05];%%%计算给定地数据点地数目n=length(f);%%%给定需要拟合地数据地最高次多项式地次数m=10;%%%程序主体for k=0:m;g=zeros(1,m+1);for j=0:m;t=0;for i=1:n;%计算内积(fai(si),fai(si))t=t+fai(s(i),j)*fai(s(i),k);endg(j+1)=t;endA(k+1,:)=g;%法方程地系数矩阵t=0;for i=1:n;%计算内积(f(si),fai(si))t=t+f(i)*fai(s(i),k);endb(k+1,1)=t;enda=A\b%求出多项式系数x=[s(1):0.01:s(n)]';y=0;for i=0:m;y=y+a(i+1)*fai(x,i);endplot(x,y)%作出拟合成地多项式地曲线grid onhold onplot(s,f,'rx') %在上图中标记给定地点结果分析和讨论：例用最小二乘法处理下面地实验数据.并作出)f地近似分布图.(x分别采用一次,二次和五次多项式来拟合数据得到相应地拟合多项式为：y1=-0.38643+0.82750x；y2=-1.03024+1.06893x-0.02012x2；y5=-50.75309+51.53527x-19.65947x2+3.66585x3-0.32886x4+0.01137x5；分别作出它们地曲线图,图中点划线为y1曲线,实线为y2曲线,虚线为y5曲线.’x’为给定地数据点.从图中可以看出并不是多项式次数越高越好,次数高了,曲线越能给定点处和实际吻合,但别地地方就很差了.因此,本例选用一次和两次地多项式拟合应该就可以了.实验报告四题目： Romberg 积分法摘要：对于实际地工程积分问题,很难应用Newton-Leibnitz 公式去求解.因此应用数值方法进行求解积分问题已经有着很广泛地应用,本文基于Romberg 积分法来解决一类积分问题.前言：（目地和意义）1. 理解和掌握Romberg 积分法地原理；2. 学会使用Romberg 积分法；3. 明确Romberg 积分法地收敛速度及应用时容易出现地问题. 数学原理：考虑积分⎰=ba dx x f f I )()(,欲求其近似值,通常有复化地梯形公式、Simpsion公式和Cotes 公式.但是给定一个精度,这些公式达到要求地速度很缓慢.如何提高收敛速度,自然是人们极为关心地课题.为此,记T 1,k 为将区间[a,b ]进行2k 等分地复化地梯形公式计算结果,记T 2,k 为将区间[a,b ]进行2k 等分地复化地Simpsion 公式计算结果,记T 3,k 为将区间[a,b ]进行2k 等分地复化地Cotes 公式计算结果.根据Richardson 外推加速方法,可以得到收敛速度较快地Romberg 积分法.其具体地计算公式为： 1. 准备初值,计算)]()([21,1b f a f ba T +-=2. 按梯形公式地递推关系,计算∑-=-+-+-+-+=1201,11,11))5.0(2(221k i k k k k i ab a f a b T T 3. 按Romberg 积分公式计算加速值1441,11,11,--=----+---m mk m m k m m m k m T T T m=2,…,k4. 精度控制.对给定地精度R ,若R T T m m <--1,11,则终止计算,并取1,m T 为所求结果；否则返回2重复计算,直至满足要求地精度为止. 程序设计：本实验采用Matlab 地M 文件编写.其中待积分地函数写成function 地方式,例如如下function yy=f(x,y); yy=x.^3;写成如上形式即可,下面给出主程序Romberg 积分法源程序%%% Romberg 积分法 clear%%%积分区间 b=3; a=1;%%%精度要求 R=1e-5;%%%应用梯形公式准备初值 T(1,1)=(b-a)*(f(b)+f(a))/2; T(1,2)=T(1,1)/2+(b-a)/2*f((b+a)/2); T(2,1)=(4*T(1,2)-T(1,1))/(4-1); j=2; m=2;%%%主程序体%%%while(abs(T(m,1)-T(m-1,1))>R);%%%精度控制 j=j+1; s=0;for p=1:2^(j-2);s=s+f(a+(2*p-1)*h/(2^(j-1))); endT(1,j)=T(1,j-1)/2+h*s/(2^(j-1)); %%%梯形公式应用 for m=2:j; k=(j-m+1);T(m,k)=((4^(m-1))*T(m-1,k+1)-T(m-1,k))/(4^(m-1)-1); end end%%%给出 Romberg 积分法地函数表 I=T(m,1)结果分析和讨论： 1. 求积分dx x10063.精确解I= 24999676.运行程序得Romberg 积分法地函数表为1.0e+007 *4.70101520000000 3.05022950000000 2.63753307500000 2.49996760000000 2.49996760000000 0 2.49996760000000 0 0由函数表知Romberg 积分给出地结果为2.4999676*10^7,与精确没有误差,精度很高.2. 求积分dx xx⎰10sin . 直接按前面方法进行积分,会发现系统报错,出现了0为除数地现象.出现这种情况地原因就是当x=0时,被积函数分母出现0,如果用一个适当地小数ε（最好不要小于程序给定地最小误差值,但不能小于机器地最大精度）来代替可以避免这个问题.本实验取R =ε,可得函数表为：0.92073548319659 0.93979327500190 0.94451351171417 0.94569085359489 0.94598501993743 0.94614587227034 0.94608692395160 0.94608330088846 0.94608307538495 0 0.94608299406368 0.94608305935092 0.94608306035138 0 0 0.94608306038722 0.94608306036726 0 0 0 0.94608306036718 0 0 0 0故该函数地积分为0.94608306036718,取8位有效数字.3. 求积分dx x ⎰12sin本题地解析解很难给出,但运用Romberg 积分可以很容易给出近似解,函数表为：0.42073549240395 0.33406972582924 0.31597536075922 0.31168023948094 0.31062036680949 0.31035626065456 0.30518113697100 0.30994390573588 0.31024853238818 0.31026707591900 0.31026822526959 0 0.31026142365354 0.31026884083167 0.31026831215439 0.31026830189296 0 0 0.31026895856465 0.31026830376269 0.31026830173008 0 0 0 0.31026830119484 0.31026830172211 0 0 0 0 0.31026830172262 0 0 0 0 0故该函数地积分为0.31026830172262,取8位有效数字.结论：Romberg 积分通常要求被积函数在积分区间上没有奇点.如有奇点,且奇点为第一间断点,那么采用例3地方法,还是能够求出来地,否则,必须采用其它地积分方法.当然,Romberg 积分地收敛速度还是比较快地.。

(完整版)哈工大-数值分析上机实验报告

(完整版)哈工大-数值分析上机实验报告实验报告一题目：非线性方程求解摘要：非线性方程的解析解通常很难给出，因此线性方程的数值解法就尤为重要。

本实验采用两种常见的求解方法二分法和Newton法及改进的Newton法。

前言：掌握二分法与Newton法的基本原理和应用。

数学原理：对于一个非线性方程的数值解法很多。

在此介绍两种最常见的方法：二分法和Newton法。

对于二分法，其数学实质就是说对于给定的待求解的方程f(x)，其在[a,b]上连续，f(a)f(b)5e-6) ; c=(a+b)/2; if f12(a)*f12(c)>0; a=c; else b=c; end R=b-a;%求出误差 k=k+1; endx=c%给出解Newton法及改进的Newton法源程序：clear%%%% 输入函数f=input('请输入需要求解函数>>','s') %%%求解f(x)的导数 df=diff(f);%%%改进常数或重根数 miu=2;%%%初始值x0x0=input('input initial value x0>>'); k=0;%迭代次数max=100;%最大迭代次数R=eval(subs(f,'x0','x'));%求解f(x0)，以确定初值x0时否就是解while (abs(R)>1e-8)x1=x0-miu*eval(subs(f,'x0','x'))/eval(subs(df,'x0', 'x')); R=x1-x0; x0=x1; k=k+1;if (eval(subs(f,'x0','x'))max;%如果迭代次数大于给定值，认为迭代不收敛，重新输入初值ss=input('maybe result is error,choose a new x0,y/n>>','s');if strcmp(ss,'y')x0=input('input initial value x0>>');k=0; else break end end endk;%给出迭代次数 x=x0；%给出解结果分析和讨论：1. 用二分法计算方程在[1，2]内的根。

哈工大计算机仿真技术实验报告实验3 利用数值积分算法的仿真实验

模型的稳定性：当步距 h=5.0e-5 时，前向欧拉法和后向欧拉法明显失真，随着步距的减小，二阶显式 Adams 法，梯形法和显式四阶 Runge-Kutta 法的波形变化不大，而前向欧拉法和后向欧拉法的波形得到明显改善。所以显式四阶 Runge-Kutta 法，二阶显式 Adams 法和梯形法的稳定性较好，前向欧拉法和后向欧拉法的稳定性较差。模型的精度和离散时间间隔：步距为 h=5.0e-6 时，显式四阶 Runge-Kutta 法精度最高，其次是二阶显式 Adams 法和梯形法。步距为 h=5.0e-7 时，前向欧拉法和后向欧拉法仿真精度才达到要求。所以，显式四阶 Runge-Kutta 法，二阶显式 Adams 法和梯形法模型的精度较高，离散时间间隔要求低，其中，显式四阶 Runge-Kutta 法模型的精度最高，其次是二阶显式 Adams 法，由于是二次函数较复杂，函数曲线与真实曲线较为接近；再次精确的是梯形法，取梯形面积，误差也较小；前向欧拉法和后向欧拉法模型的精度较低，由于取的是矩形面积，离散时间间隔要求高。
实验 3 利用数值积分算法的仿真实验
(
一、实验目的
1) 熟悉 MATLAB 的工作环境；
2) 掌握 MATLAB 的 .M 文件编写规则，并在命令窗口调试和运行程序； 3) 掌握利用欧拉法、梯形法、二阶显式 Adams 法及四阶龙格库塔法构建系统仿真模型的方法,并对仿真结果进行分析。
二、实验内容
上对应的标题。
四、实验原理
在连续系统的数字仿真算法中,较常用的有欧拉法、梯形法、二阶显式 Adams 法及显式四阶 Runge-Kutta 法等。欧拉法、梯形法和二阶显式 Adams 法是利用离散相似原理构造的仿真算法，而显式四阶 Runge-Kutta 法是利用 Taylor 级数匹配原理构造的仿真算法。对于线性系统，其状态方程表达式为：

哈工大小波实验报告

小波理论实验报告院（系）专业学生学号日期2015年12月实验报告一一、实验目的1. 运用傅立叶变换知识对常用的基本函数做基本变换。

2. 加深对因果滤波器的理解，并会判断因果滤波器的类型。

3. 运用卷积公式对基本信号做滤波处理并分析，以加深理解。

4. 熟悉Matlab 中相关函数的用法。

二、实验原理1.运用傅立叶正、反变换的基本公式：()ˆ()() ()(),11ˆ()(),22i x i t i ti t i t f f x e dx f t e dt f t e f t fe df t e ωωωωωωωωππ∞∞---∞-∞∞--∞=====⎰⎰⎰及其性质，对所要处理信号做相应的傅里叶变换和逆变换。

2.运用卷积的定义式：1212()()()()+∞-∞*=-⎰f t f t f f t d τττ对所求信号做滤波处理。

三、实验步骤与内容1.实验题目：Butterworth 滤波器，其冲击响应函数为,0()0,0若若α-⎧≥=⎨<⎩t Ae t h t t 1. 求$()hω 2. 判断是否因果；是低通、高通、带通还是带阻？ 3. 对于信号3()(sin 22sin 40.4sin 2sin 40)，-=++t f t et t t t 0π≤≤t ,画出图形()f t4. 画出滤波后图形()*f h t ，比较滤波前后图形，你会发现什么，这里取10α==A5. 取()(sin5sin3sin sin 40)，-=+++tf t e t t t t 采用不同的变量值α=A (初始设定A=α=10) 画出原信号图形与滤波后图形，比较滤波效果。

2.实验步骤及分析过程：1.求$()hω 由傅里叶变换的定义式可得：()0ˆαϖαϖωαω+∞+∞-----∞=⋅=⋅=+⎰⎰t i t t i t Ah Ae e dt Ae e dt i （1）故该滤波器的幅频特性为：()ω==H ，转折频率τα=；假定1,2A α==，绘制该滤波器的幅频特性曲线如下：图1.1滤波器的幅频特性曲线2. 判断是否因果；是低通、高通、带通还是带阻？（1）观察滤波器响应函数可知，只有在输入信号到达后，该滤波器才会有输出响应，此外实际应用的滤波器均是因果滤波器，所以，题中滤波器是因果滤波器。

哈工大测试技术基础实验报告

实验一波形的合成与分解一、实验目的1、了解信号分析手段之一的傅里叶变换的基本思想和物理意义。

2、观察和分析由多个频率、幅值和相位成一定关系的正弦波叠加的合成波形。

3、观察和分析频率、幅值相同，相位角不同的正弦波叠加的合成波形。

4、通过本实验熟悉信号合成、分解的操作方法，了解信号频谱的含义。

二、实验结果图1.1方波图1.2锯齿波图1.3三角波图1.4正弦整流波实验二典型信号的频谱分析一、实验目的1、在理论学习的基础上，通过本实验熟悉典型信号的频谱特征，并能够从信号频谱中读取所需的信息。

2、了解信号频谱的基本原理和方法，掌握用频谱分析提取测量信号特征的方法。

二、实验原理信号频谱分析是采用傅里叶变换将时域信号x(t)变换为频域信号X(f)，从而帮助人们从另一个角度来了解信号的特征。

工程上习惯将计算结果用图形方式表示，以频率f为横坐标，X(f)的实部a(f)和虚部b(f)为纵坐标画图，称为时频—虚频谱图；以频率f为横坐标，X(f)的幅值A(f)和相位φ(f)为纵坐标画图，则称为幅值—相位谱；以f为横坐标，A(f)2为纵坐标画图，则称为功率谱。

频谱是构成信号的各频率分量的集合，它完整地表示了信号的频率结构，即信号由哪些谐波组成，各谐波分量的幅值大小及初始相位，揭示了信号的频率信息。

三、实验结果实验结果如下图所示：图2.1 白噪声信号幅值频谱特性图2.2 正弦波信号幅值频谱特性图2.3 方波信号幅值频谱特性图2.4 三角波信号幅值频谱特性图2.5 正弦波信号+白噪声信号幅值频谱特性四、思考题1、与波形分析相比，频谱分析的主要优点是什么？答：信号频谱()X f代表了信号在不同频率分量成分的大小，能够提供比时域信号波形更直观，丰富的信息。

2、为何白噪声信号对信号的波形干扰很大，但对信号的频谱影响很小？答：白噪声是指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等的噪声。

在时域上，白噪声是完全随机的信号，叠加到波形上会把信号的波形完全搅乱，所以对信号的波形干扰很大。

哈工大数值分析实验报告

哈工大数值分析实验报告标题：哈工大数值分析实验报告一、实验目的：本实验的目的是探究在数值分析中使用的各种数值方法，对于解决实际问题的有效性和可靠性进行评估。

二、实验内容：本实验主要包括以下几个方面的内容：1. 熟悉数值分析中常用的数值方法，如数值积分、数值微分、迭代法等；2. 在MATLAB等数学软件平台上，编写程序实现所学的数值方法；3. 使用所编写的程序，对给定的实际问题进行求解，并分析其结果的有效性和可靠性；4. 根据实际问题的特点，评估不同数值方法的适用性，并给出相应的结论和建议。

三、实验步骤：1. 阅读相关的理论知识，熟悉数值分析中常用的数值方法；2. 编写数值分析实验的程序代码，包括数值积分、数值微分和迭代法等；3. 使用编写的程序，对所给的实际问题进行求解，记录并分析结果；4. 根据实际问题的特点，评估所使用的数值方法的可靠性和有效性；5. 根据实验结果，撰写实验报告，包括实验目的、实验内容、实验步骤和实验结果的分析等。

四、实验结果：根据实际问题的不同，实验结果也会有所差异。

在实验报告中，可以详细叙述对所给实际问题的求解过程，并对结果进行分析和解释。

同时，还可以比较不同数值方法的结果，评估其优劣和适用性。

五、实验结论：根据实验结果的分析，可以得出结论，总结不同数值方法的优缺点，并对其在实际问题中的应用进行评价。

同时，还可以给出相应的建议，为以后的数值分析工作提供参考。

六、实验总结：通过本次实验，进一步加深了对数值分析中常用数值方法的理解和掌握。

通过实际问题的求解，对于这些数值方法的应用和效果有了更深入的认识。

同时，也提高了编程和科研报告撰写的能力，为以后的学习和工作打下了坚实的基础。

以上是关于哈工大数值分析实验报告的基本内容，具体实验细节和结果请根据实际情况进行补充。

哈工大-数值分析上机实验报告

Emax= 0.70770085900503，0 此时由 Emax 可以看出，不选主元的结果应该可以说是不正确了，这是由机器误差引起的。当 10 20 时，不选主元和选主元的计算结果如下 NaN NaN NaN Emax=NaN, 0 不选主元时，程序报错： Warning: Divide by zero. 。这是因为机器计算的最小精度为 10-15，所以此时的 10 20 就认为是 0，故出现了错误现象。而选主元时则没有这种现象，而且由 Emax 可以看出选主元时的结果应该是精确解。
x3 x 1 0
x0=1； x0=0.45, x0=0.65；
( x 1) 2 (2 x 1) 0
当 x0=0.45 时，计算结果为 x= 0.49999999999983； f(x)= -8.362754932994584e-014； k=4；由 f(x)知结果满足要求，而且又迭代次数只有 4 次看出收敛速度很快，实际上该方程确实有真解 x=0.5。当 x0=0.65 时，计算结果为 x= 0.50000000000000； f(x)=0； k=9；由 f(x)知结果满足要求，实际上该方程确实有真解 x=0.5，但迭代次数增多，实际上当取 x0〉0.68 时，x≈1，就变成了方程的另一个解，这说明 Newton 法收敛与初值很有关系，有的时候甚至可能不收敛。
实验报告
结果分析和讨论：例用最小二乘法处理下面的实验数据 . xi fi 3 2.01 4 2.98 5 3.50 6 5.02 7 5.47 8 6.02 9 7.05
Hale Waihona Puke 并作出 f ( x) 的近似分布图。分别采用一次，二次和五次多项式来拟合数据得到相应的拟合多项式为： y1=-0.38643+0.82750x ； y2=-1.03024+1.06893x-0.02012x2； y5=-50.75309+51.53527x-19.65947x2+3.66585x3-0.32886x4+0.01137x5；分别作出它们的曲线图，图中点划线为 y1 曲线，实线为 y2 曲线，虚线为 y5 曲线。’x’为给定的数据点。从图中可以看出并不是多项式次数越高越好，次数高了，曲线越能给定点处和实际吻合，但别的地方就很差了。因此，本例选用一次和两次的多项式拟合应该就可以了。

哈尔滨工程大学研究生随机过程课程实验报告~.

第一题：用PC机产生[0,1]均匀分布的白色序列{}kkX(=,3,2,1),2000(1) 打印出前50个数{}iiX=),,(3,2,150(2) 分布检验(3) 均值检验(4) 方差检验(5) 计算出相关函数{}±±=iB(±i),10,2,,0,1x源程序:clear;clc;x=rand(1,2000);fprintf('1.输出前50个数:');for i=1:5j=1:10;X(i,j)=x((i-1)*10+j);endX % 打印出前50个数y1=x(find(x>=0&x<0.1));t(1)=length(y1);y2=x(find(x>=0.1&x<0.2));t(2)=length(y2);y3=x(find(x>=0.2&x<0.3));t(3)=length(y3);y4=x(find(x>=0.3&x<0.4));t(4)=length(y4);y5=x(find(x>=0.4&x<0.5));t(5)=length(y5);y6=x(find(x>=0.5&x<0.6));t(6)=length(y6);y7=x(find(x>=0.6&x<0.7));t(7)=length(y7);y8=x(find(x>=0.7&x<0.8));t(8)=length(y8);y9=x(find(x>=0.8&x<0.9));t(9)=length(y9);y10=x(find(x>=0.9&x<1));t(10)=length(y10) ;fprintf('2.分布检验:');tsubplot(2,1,1);hist(x,10); % 分布检验fprintf('3.均值检验:');EX=mean(x) % 均值检验fprintf('4.方差检验:');DX=var(x) % 方差检验fprintf('5.计算相关函数:');for m=-10:1:10j=2000-abs(m);for i=1:jC(i)=(x(abs(m)+i)-EX).*(x(i)-EX);endB(m+11)=sum(C)/j;endfor i=1:3j=1:7;Bx(i,j)=B((i-1)*7+j);endBx % 计算相关函数subplot(2,1,2)m=-10:10;plot(m,B)1.输出前50个数:X =Columns 1 through 80.1315 0.6175 0.4759 0.0236 0.8753 0.0960 0.5479 0.07460.8483 0.4888 0.4260 0.5609 0.6730 0.1103 0.7614 0.49120.5077 0.5892 0.0702 0.0386 0.4879 0.3002 0.0358 0.79340.4440 0.4423 0.5000 0.0325 0.0196 0.2932 0.0558 0.72080.8507 0.1279 0.4534 0.6225 0.4175 0.6702 0.0820 0.8725 Columns 9 through 100.9542 0.25160.5314 0.59830.5083 0.01650.8429 0.54420.4153 0.55662.分布检验:t =210 192 197 202 197 214 198 191 188 211图（1）分布检验3.均值检验:理论值：EX =0.5实际值：EX =0.49914.方差检验:理论值：DX =1/12实际值：DX =0.0839均值和方差表：5.计算相关函数:Bx =0.0022 0.0011 -0.0010 -0.0014 -0.0013 0.0034 -0.0051-0.0026 0.0018 -0.0019 0.0838 -0.0018 0.0019 -0.0025 -0.0051 0.0033 -0.0014 -0.0015 -0.0013 0.0009 0.0020图（2）相关函数第二题：用PC机产生()1,0kkX(=),N分布的正态序列{},20003,2,1(1)打印出前50个数{}ii=X3,2,1,(50),(2)分布检验(3)均值检验(4)方差检验(5)计算出相关函数{}±±=iB(±i),10,2,,0,1x源程序：clear;clc;x=randn(1,2000);fprintf('1.输出前50个数:');for i=1:5j=1:10;X(i,j)=x((i-1)*10+j);endX % 打印出前50个数y1=x(find(x>=0&x<0.1));t(1)=length(y1);y2=x(find(x>=0.1&x<0.2));t(2)=length(y2);y3=x(find(x>=0.2&x<0.3));t(3)=length(y3);y4=x(find(x>=0.3&x<0.4));t(4)=length(y4);y5=x(find(x>=0.4&x<0.5));t(5)=length(y5);y6=x(find(x>=0.5&x<0.6));t(6)=length(y6);y7=x(find(x>=0.6&x<0.7));t(7)=length(y7);y8=x(find(x>=0.7&x<0.8));t(8)=length(y8);y9=x(find(x>=0.8&x<0.9));t(9)=length(y9);y10=x(find(x>=0.9&x<1));t(10)=length(y10) ;fprintf('2.分布检验:');tsubplot(2,1,1);hist(x,10); % 分布检验fprintf('3.均值检验:');EX=mean(x) % 均值检验fprintf('4.方差检验:');DX=var(x) % 方差检验fprintf('5.计算相关函数:');for m=-10:1:10j=2000-abs(m);for i=1:jC(i)=(x(abs(m)+i)-EX).*(x(i)-EX);endB(m+11)=sum(C)/j;endfor i=1:3j=1:7;Bx(i,j)=B((i-1)*7+j);endBx % 计算相关函数subplot(2,1,2)m=-10:10;plot(m,B)1.输出前50个数:X =Columns 1 through 8-1.0457 -1.0045 -0.7384 -0.9445 -0.1354 -0.4226 1.5979 -0.38110.3409 0.5486 -1.0160 -1.6335 -1.8104 -0.0349 0.6758 -0.8909-0.9381 -1.5436 0.1596 -0.3688 -1.0122 0.1134 0.8850 -0.5823 -0.3197 1.6065 1.0613 0.3005 0.3511 0.9522 -0.6329 -0.8587 -0.0243 0.9170 -0.5015 -0.2513 1.6728 -1.3644 -0.3351 1.2946 Columns 9 through 100.2348 -0.3093-1.8913 2.2175-0.7176 -0.67331.7461 -0.55610.4811 -0.25202.分布检验:t =71 81 70 78 66 62 71 71 58 49图（3）分布检验3.均值检验: 理论值：EX =0实际值：EX = -0.0054 4.方差检验: 理论值：DX =1实际值：DX = 0.9916 均值和方差表：5.计算相关函数: Bx =-0.0097 -0.0258 -0.0077 0.0131 0.0244 -0.0224 0.0590 0.0228 0.0272 0.0208 0.9911 0.0212 0.0271 0.0224 0.0588 -0.0223 0.0238 0.0125 -0.0083 -0.0255 -0.0082图（4）相关函数第三题：设{}1000,3,2,1),( =k k ε为正态白色序列，服从()1,0N 分布，()()()14-+=k k k X εε，1000,3,2,1 =k 求(1) ()()∑==1000110001k k X k EX (2) ()()∑==100012210001k k X k EX(3) ()()()[]22k EX k EX k DX -=(4) ()()[]()[]{}∑-=--+=mn xxx m n X m m n X m B 1000110001，10,,2,1,0±±±= m ，并画出x B (m)图源程序：clfclearp=randn(1,1001);k=2:1001;x=p(k)+4.*p(k-1);m=mean(x)m1=mean(x.^2)s=m1-m.^2for i=-10:10l=0;p=1000-abs(i);for k=1:pl=l+[x(k+abs(i))-m]*[x(k)-m];endb(i+11)=l/p;endi=-10:10;plot(i,b)1. 均值EX：理论值：EX =0实际值：EX =-0.02092.均方值：EX^2：理论值：EX^2= 17实际值：EX^2= 16.39993. 方差DX：理论值：DX = 17实际值：DX = 16.3995均值和方差表：4. 相关函数：B(m) =x0.1462 0.6689 -0.0319 0.1473 0.1085 -0.3709 0.2299 0.6721 0.1214 4.4418 16.8904 4.4418 0.1214 0.6721 0.2299 -0.3709 0.1085 0.1473 -0.0319 0.6689 0.1462图（5）相关函数第四题：设{()k ξ,k=0,1,2,…}为N （0，1）正态白序列，()k ξ~N(0,1) 令()()()0.7071X k X k k ξ+-=，k =1,2,…,1000; ()10X -=。

哈工大数字信号处理实验报告

实验一：用FFT 作谱分析实验目的：(1) 进一步加深DFT 算法原理和基本性质的理解(因为FFT 只是DFT 的一种快速算法，所以FFT 的运算结果必然满足DFT 的基本性质)。

(2) 熟悉FFT 算法原理和FFT 子程序的应用。

(3) 学习用FFT 对连续信号和时域离散信号进行谱分析的方法，了解可能出现的分析误差及其原因，以便在实际中正确应用FFT 。

实验原理：DFT 的运算量：一次完整的DFT 运算总共需要2N 次复数乘法和(1)N N -复数加法运算，因而直接计算DFT 时，乘法次数和加法次数都和2N 成正比，当N 很大时，运算量很客观的。

例如，当N=8时，DFT 运算需64位复数乘法，当N=1024时，DFT 运算需1048576次复数乘法。

而N 的取值可能会很大，因而寻找运算量的途径是很必要的。

FFT 算法原理：大多数减少离散傅里叶变换运算次数的方法都是基于nk N W 的对称性和周期性。

（1）对称性()*()k N n kn kn N N NW W W --==（2）周期性()(mod`)()()kn N kn n N k n k N N N N NW W W W ++=== 由此可得()()/2(/2)1n N k N n k nk N N N N N k N k N N W W W W W W ---+⎧==⎪=-⎨⎪=-⎩这样：1.利用第三个方程的这些特性，DFT 运算中有些项可以合并；2.利用nk N W 的对称性和周期性，可以将长序列的DFT 分解为短序列的DFT 。

前面已经说过，DFT 的运算量是与2N 成正比的，所以N 越小对计算越有利，因而小点数序列的DFT 比大点数序列的DFT 运算量要小。

快速傅里叶变换算法正是基于这样的基本思路而发展起来的，她的算法基本上可分成两大类，即按时间抽取法和按频率抽取法。

我们最常用的是2M N =的情况，该情况下的变换成为基2快速傅里叶变换。

数值分析上机实验——数值积分

实验报告哈尔滨工程大学教务处制实验三数值积分一．数值积分的基本思想1.复合梯形公式：Tn=++)()([2b f a f h2∑-=11)](n k xk f ；2.复合辛普森公式：Sn=6h[f(a)+f(b)+2∑-=11)](n k xk f +4∑-=+1)2/1(n k x f ]；以上两种算法都是将a-b 之间分成多个小区间（n ）,则h=(b-a)/n,x k =a+kh,x k+1/2=a+(k+1/2)h,利用梯形求积根据两公式便可。

3.龙贝格算法：在指定区间内将步长依次二分的过程中运用如下公式（1）Sn=34T2n-31Tn（2）Cn=1516S2n-151Sn（3）Rn=6364C2n-631Cn4T)(k m=144-m m T )1(1+-k m - 141-mT )(1k m -，k = 1，2，… 二.实验题目及实验目的(第4章计算实习题第1题)用不同数值方法计算积分xdx x ln 1⎰= -94。

（1）取不同的步长h 。

分别用复合梯形及复合辛普森求积计算积分，给出误差中关于h 的函数，并与积分精确值比较两个公式的精度，是否存在一个最小的h ，使得精度不能再被改善？（2）用龙贝格求积计算完成问题（1）。

（3）用自适应辛普森积分，使其精度达到104-。

三．实验手段：指操作环境和平台:win7系统下MATLAB R2009a程序语言：一种类似C 语言的程序语言，但比C 语言要宽松得多，非常方便。

四.程序①复合梯形求积程序function t=TiXing_quad(a,b,.h) format longx=a:h:b;y=sqrt(x).*log(x);y(1)=0;t=0;for k=1:(b-a)/h,t= t+y(k)+y(k+1);endt=t*h/2;②复合辛普森求积程序function s=Simpson_quad(a,b,h) format longx=a:h:b;y=sqrt(x).*log(x);z=sqrt(x+h/2).*log(x+h/2);y(1)=0;s=0;for k=1:(b-a)/h,s= s+y(k)+y(k+1)+4*z(k);ends=s*h./6;③龙贝格求积程序function [q,R]=Romberg(a,b,eps) h=b-a;R(1,1)=h*(0+sqrt(b).*log(b))/2; M=1;J=0;err=1;while err>epsJ=J+1;h=h/2;S=0;for p=1:Mx=a+h*(2*p-1);S=S+sqrt(x).*log(x);endR(J+1,1)=R(J,1)/2+h*S;M=2*M;for k=1:JR(J+1,k+1)=R(J+1,k)+(R(J+1,k)-R(J,k))/(4^k-1);enderr=abs(R(J+1,J)-R(J+1,J+1));endq=R(J+1,J+1);控制台输入代码：（1）>> a=0;>> b=1;>> h=0.1;>> t=TiXing_quad(a,b,h)>> s=Simpson_quad(a,b,h)>> h=0.01;>> t=TiXing_quad(a,b,h)>> s=Simpson_quad(a,b,h)>> h=0.001;>> t=TiXing_quad(a,b,h)>> s=Simpson_quad(a,b,h)（2）>> a=0;>> b=1;>> eps=10^-8;>> [quad,R]=Romberg(a,b,eps)（3）>> a=0;>> b=1;>> eps=10^-4;>> q=ZiShiYingSimpson('sqrt(x).*log(x)',a,b,eps) 五．实验结果比较与分析（1）h = 0.1时h = 0.01时h = 0.001时由结果（1）可知对于同一步长h，复合辛普森法求积分精度明显比复合梯形法求积的精度要高，且当步长取不同值时即h越小时，积分精度越高。

哈工大计算方法实验报告

,n，ix≠,n)x0,1,,n，且函数()f x充分光滑，0)(()nx x x x x x ---,n；插值点程序设计流程开始结束输入(x i ,y i ),ni=0,1,2,…,nL=0 i=0xl=1xl=*xlj=0,1,…,i-1,i+1,…,nL=L+xl *i=n?输出y否是i=i+1式摆动——Runge现象，有时多项式摆动可以通过谨慎选择基础函数的取样点来减小。

通常采用分段插值可以很好的消除多项式摆动现象。

2. 对实验2存在的问题的回答，试加以说明在分段段数相同的情况下，插值区间越大，误差越大。

原因是大部分情况下，相对于比较大的区间，函数在比较小的区间上的函数值变化较缓和，因此即使出现摆动也不会偏离原函数太大。

3. 对实验3存在的问题的回答，试加以说明第一问中已经提到多项式摆动可以通过谨慎选择基础函数的取样点来减小。

我们来看下x k=cos (2k+1)π/2(n+1) ,k=0,1,…,n的分布和f(x)=1/(1+x2 )的图像：可以看出，xk的分布是两端密集中间稀疏，f(x)的趋势是两边陡峭中间平缓，函数变化陡峭时节点增多正好可以增加插值的准确性。

4. 如何理解插值问题中的内插和外推？一般来说，内插时插值收敛于实际函数，一旦超出内插的范围，插值函数会发散，且离插值区间越远外推误差越大。

使用不用的插值方法在同一点外推的值也会相差很多，这说明外推本身就存在很大的不确定性。

⎫⎪0,1,2,⎭,k2~4步，直到满程序设计流程定义输入开始输出迭代失败标志输出输出奇异标志结束。