強非線性是什麼意思?
怎麼區分系統是強非線性還是弱非線性
如果從系統狀態空間表達式來觀察，線性系統和非線性系統最明顯的區別方法就是線性系統遵從疊加原理，而非線性系統不然。 所謂疊加原理舉個例子就是： f(x)=2x,f(y)=2y,f(x+y)=2(x+y)=2x+2y=f(x)+f(y) 舉個反例： f(x)=2x^2,f(y)=2y^2,f(x)+f(y)
非線性強度指標是什麼意思
摘 要:堆石的抗剪強度並非與應力成比例，而是呈非線性關係。這種非線性關係將對邊坡的穩定產生重要的影響。從De Mello及Duncan J等對堆石破壞條件方面的研究成果及其表達式出發，運用遺傳算法結合瑞典及畢肖普法對堆唬邊坡進行穩定分析，以尋求此類邊坡的真實安全係數及其臨界滑面。算例表明了非線性強度指標的影響及遺傳算法的優越性。 (共3頁)
方程的若非線性和強非線性怎麼區別
方程的若非線性
和強非線性
怎麼區別
解答如下：
下面這個網站請參考：
bbs.nwpu.edu.cn/...page=1
什麼叫強制單線性
什麼叫強制單線性
單線性應該是指顯卡的"單線性"過濾,早在Max Payne 1時代，許多國外遊戲就有這種選項存在。這是一個強制降低畫質以提升幀數的選項，
影視剪輯軟件那個強，線性和非線性有什麼影響嗎
非線性軟件比如pr，主要利用計算機內部存儲編輯省去了線性時間序列的限制，一般首推非線性。
線性激勵強度具有什麼特點
不太瞭解，再問問吧
unscented卡爾曼濾波 不適用於哪些非線性系統
Unscented Kalman Filter 中文釋義：無味卡爾曼濾波/無跡卡爾曼濾波/去芳香卡爾曼濾波 UKF是無味變換(UT) 和標準Kalman濾波體系的結合,與EKF（擴展卡爾曼濾波）不同,UKF是通過無味變換使非線性系統方程適用於線性假設下的標準Kalman濾波體系,而不是像EKF那樣,通過線性化非線性函數實現遞推濾波.目標跟蹤有兩個理論基礎,即數據關聯和卡爾曼濾波技術 .由於在實際的目標跟蹤中,跟蹤系統的狀態模型和量測模型多是非線性的,因此採用非線性濾波的方法.傳統的非線性濾波的方法主要是擴展卡爾曼濾波算法( EKF) ,但是該算法存在著精度不高、穩定性差、對目標機動反應遲緩等缺點.近年來,文獻提出了一種非線性濾波算法- Unscented卡爾曼濾波(UnscentedKalman Filter,即UKF).它是根據Unscented變化(無味變換)和卡爾曼濾波相結合得到的一種算法.這種算法主要運用卡爾曼濾波的思想,但是在求解目標後續時刻的預測值和量測值時,則需要應用採樣點來計算.UKF通過設計加權點δ,來近似表示n維目標採樣點,計算這些δ點經由非線性函數的傳播,通過非線性狀態方程獲得更新後的濾波值 ,從而實現了對目標的跟蹤.UKF有效地克服了擴展卡爾曼濾波的估計精度低、穩定性差的缺陷. 卡爾曼最初提出的濾波理論只適用於線性系統,Bucy,Sunahara等人提出並研究了擴展卡爾曼濾波(Extended Kalman Filter,簡稱EKF),將卡爾曼濾波理論進一步應用到非線性領域.EKF的基本思想是將非線性系統線性化,然後進行卡爾曼濾波,因此EKF是一種次優濾波.其後,多種二階廣義卡爾曼濾波方法的提出及應用進一步提高了卡爾曼濾波對非線性系統的估計性能.二階濾波方法考慮了Taylor級數展開的二次項,因此減少了由於線性化所引起的估計誤差,但大大增加了運算量,因此在實際中反而沒有一階EKF應用廣泛. 在狀態方程或測量方程為非線性時,通常採用擴展卡爾曼濾波(EKF).EKF對非線性函數的Taylor展開式進行一階線性化截斷,忽略其餘高階項,從而將非線性問題轉化為線性,可以將卡爾曼線性濾波算法應用於非線性系統中.這樣以來,解決了非線性問題.EKF雖然應用於非線性狀態估計系統中已經得到了學術界認可併為人廣泛使用,然而該種方法也帶來了兩個缺點,其一是當強非線性時EKF違背局部線性假設,Taylor展開式中被忽略的高階項帶來大的誤差時,EKF算法可能會使濾波發散；另外,由於EKF在線性化處理時需要用雅克比(Jacobian)矩陣,其繁瑣的計算過程導致該方法實現相對困難.所以,在滿足線性系統、高斯白噪聲、所有隨機變量服從高斯(Gaussian)分佈這3個假設條件時,EKF是最小方差準則下的次優濾波器,其性能依賴於局部非線性度. 無味卡爾曼濾波是一種新型的濾波估計算法.UKF以UT變換為基礎,摒棄了對非線性函數進行線性化的傳統做法,採用卡爾曼線性濾波框架,對於一步預測方程,使用無味(UT)變換來處理均值和協方差的非線性傳遞,就成為UKF算法.UKF是對非線性函數的概率密度分佈進行近似,用一系列確定樣本來逼近狀態的後驗概率密度,而不是對非線性函數進行近似,不需要求導計算Jacobian矩陣.UKF沒有線性化忽略高階項,因此非線性分佈統計量的計算精度較高.基於上述優點,UKF被廣泛應用於導航、目標跟蹤、信號處理和神經網絡學習等多個領域. 如需要更詳細的資料,請留下郵箱地址.