سنسور

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 70

پهنای باند، سطح نویز، حساسیت محوری، drift، خطی بودن، محدوده دینامیک، قابلیت ابقا شوک و مصرف توان می باشد. فرکانس رزونانس نیز مهم است زیرا محدوده مفید فرکانس بالای سنسور معمولاً کسری از فرکانس رزونانس است، در حالی که حساسیت و جابجایی به ازای هر g شتاب را تعیین می کند.

به طوری که :

dg : جابجایی به ازای هر g

M و Ksp: جرم و ثابت فنر قطعه

g : 9.8

Wo : فرکانس رزونانس زاویه ای

عموماً جابجایی عنصر حسگر بخش ضروری فرآیند حس کردن می باشد و dg بخش بهره حلقه باز سنسور است، بنابراین منجر به رابطه شدیداً معکوس بین حساسیت و پهنای باند برای هر کلاسی از سنسورها می شود.

نویز در شتاب سنج ها مشکلاتی بوجود می آورد. برای خود سنسور، برای خروجی الکترونیکی اش، برای damping مکانیکی و همه مقاومت های الکتریکی، سنسورهای MEMS خیلی کوچک هستند بنابراین نویز جانسون مقاومتهای مکانیکی باید در نظر گرفته شوند، در حالی که در سنسورهای بزرگتر این مشکل وجود ندارد.

تنها یک باکتری یا گرده خاک می تواند نیروی بزرگی را روی اجزا MEMS ایجاد کند. نیروی Brownian عبارتست از :

F B =

که باعث حرکت Brownian می شود ( X B ) :

= X B

در حالی که :

D = ضریب Damping جرم مرجع که به وسیله ثابت فنر تأمین می شود. پاسخ به شتابی که حرکت یکسانی را تولید می کند، X B :

Q

W0 =

g =

نویز شتابی معادل Brownian را می دهد.

g n,B

از معادله بالا می بینیم که یک جرم بزرگ و Q بزرگ (damping کم ) در به دست آوردن سطح نویز کم کمک می کند. برای دستیابی به جرم بزرگی در یک سنسور میکروماشین شده نوعاً به یک ویفری که یک جرم مرجع ضخیمی بیرون آن تراشیده شده است، نیاز است. برای نویز خیلی کم، ثابت damping باید وسیله معلق کردن جرم مرجع در یک خلا از فنرهای الاستیک خالص کاهش یابد. فیدبک از دور زدن در حوالی فرکانس رزونانس جلوگیری می کند.

میکرو سنسور شتاب

میکرو شتاب سنج ها یکی دیگر از ادوات مهم MEMS هستند. همه سنسورهای شتاب دارای یک جسم سنگین هستند که تقریباً معلق است و از یک یا چند طرف با میله هایی به یک قاب وصل شده است. تحت تأثیر شتاب، اینرسی جسم باعث می شود که نیرویی به آن وارد شود و کمی جابجا شود. شتاب با خواندن تنش وارده شده به میله ها که روی آنها piezo-resistor ها هستند، اندازه گیری می شود، اولین میکرو شتاب سنج ها 1970 ساخته شدند و از همان آغاز برای اندازه گیری استرس وارد شده به پایه های جسم معلق، از مقاومت پیزو استفاده شد. برای جلوگیری از انحراف بیش از حد جسم معلق می توان صفحات محفظه را با فاصله کمی از جسم ساخت یا این که جسم معلق را در محفظه ای پر از روغن قرار داد.

شکل 3 – 6

شتاب سنج ها دو دسته هستند. یک دسته حساسیت کمی دارند و شتاب های زیاد را اندازه می گیرند. از این شتاب سنج ها در سیتم ترمز ( Antilok Brake System )، سیستم تعلیق ( Automatic Balance Control ) و سیستم کیسه هوایی خودروها می توان استفاده کرد. نوع دیگر حساسیت زیادی دارند و می توان از آنها در ربات ها، سیستم هدایت اتومبیل و نیز ناوبری هواپیما و فضا پیما و زیر دریایی ها استفاده کرد. لازم به ذکر است که هر شتاب سنج، شتاب را فقط در یک جهت اندازه می گیرد و برای اندازه گیری شتاب در دستگاه مختصات سه بعدی باید از سه شتاب سنج عمود بر هم استفاده کرد.

علاوه بر شتاب سنج های ساخته شده با میکروماشینینگ توده ای که در دهه 1980 به بازار آمدند ( از طرف IC Sensor, Lucas Nova Sensor )، شتاب سنج های ساخته شده با میکروماشینینگ سطحی نیز اخیراً برای کاربرد سیستم کیسه هوایی خودروها وارده بازار شده اند. ( ADXL50 از Analog Devices، MMAS40G از Motorolla ) سیستم باز کردن کیسه هوایی، یکی از کاربردهای نسبتاً جدید میکرو شتاب سنج ها ست. در این سیستم ها هنگامی که خودرو، شتاب منفی زیادی پیدا می کند، به کیسه هوایی فرمان باز شدن داده می شود. سنسورهای بکار رفته در این سیستم ها باید دارای اندازه کوچک، کیفیت بالا و قیمیت کم باشند. قیمت هر یک از این سنسورها در سال 97 حدود 4 دلار بوده که در سال 2000 به 2 دلار رسید.

این نسل های جدید شتاب سنج ها برای کارایی بیشتر، شامل یک مدار مجتمع پیچیده نیز هستند. سنسورهای بر مبنای اینرسی شامل سنسورهای شتاب و ژیروسکوپ های ناوبری در سال 2000 بازاری حدود 7/2 میلیارد دلار داشتند.

3 – 2 – 1 – سنسور شتاب مبتنی بر مقاومت پیزو

طرز کار این سنسورها قبلاً توضیح داده شد و ساختار و روش ساخت آن نیز شبیه سنسورهای فشار مبتنی بر مقاومت پیزو است. طرح ساده یک نمونه آن که دارای 4 پایه است در شکل زیر دیده می شود.

شکل 3 – 7

3- 2 – 2 – سنسور شتاب خازنی

طرز کار و ساختار این سنسور ها شبیه فشار سنج های خازنی است. به این ترتیب که یکی از صفحات خازن در نقش جسم

دانلود پروژه گسسته خطی (ریاضیات)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 40

روشهای تکراری پیش فرض در مسائل گسسته خطی

از منظر معکوس« بایسیان»

دانشکده ریاضیات و مرکزی برای مدل سازی سیستم های متابولیک کامل دانشگاه کمیس غربی کلوند، OH 44106 آمریکا

دریافتی 3 فویه 2005 دریافتی صورت اصلاح شده 24 آگوست 2005

چکیده:

در این مقاله ما با مسائل گسسته خطی که با روشهای تکراری قابل حل می باشد از نظر آماری معکوس بایسیان روبرو خواهیم شد پس از بررسی اجمالی روش های تکراری عمده برای حل مسائل ناقص خطی و برخی نتایج آماری اولیه و روشهای آماری استراتژیهای ترسیمی را مورد تجزیه و تحلیل قرار خواهیم داد. نمونه های محاسبه شده رابط بین این دو را تشریح می کند.

کلمات کلیدی: حل های معکوس( امتحانی) فضای فرعی« کریلا» و روش معکوس« بایسیان»

پیش فرضها مسائل ناقص

(1) مقدمه

استفاده از روشهای تکراری برای حل سیستمهای خطی معادلات روشی انتخابی است هنگامی که ابعاد سیستم آنقدر بزرگ باشد که

فاکتورسازی ماتریس A را غیر عملی سازد یا هنگامی که ماتریس آن بطور صریح مجهول باشد و ما بآسانی بتوانیم حاصلضرب آن را با هر گونه بردار معلومی محاسبه کنیم. هنگامی که سیستم خطی در رابطه با گسستگی مسائل خطی ناقص سمت راست b اطلاعات و فرضیات را مورد بررسی قرار دهد، نقش مسائل متوالی در ماتریس A افزایش می یابد و بنابراین حل مسائل برای یافتن خطا در داده ها مهم و ضروری به نظر می رسد. بمنظور حفظ خطا در نشان دادن صورت b برخی از روشهای بدست آوردن مجهولات بایستی مشخص شود در زمینه روشهای معکوس بمنظور حل مجهولات بواسطه توقف کردن تکرار قبل از همگرایی در حل سیستم های خطی بهتر است به تکرار های ناقص رجوع شود. تجزیه و تحلیل کامل در ویژگی های معلوم کردن به روش CG در معادلات کامل هنگامی که می توان از معیارهای بازدارندگی مناسب استفاده کرد در بخش ] 10 [ قابل بحث می باشد.

در صورتیکهM ماتریس معکوس باشد، براساس ویژگی های طیفی MA همگرایی سریعترین برای روشهای حل تکراری ایجاد می کند. ماتریس M ماتریس شرطی سمت چپ برای سیستم خطی(1) نامیده می شود قابلیت امتحان ماتریس M نشان میدهد که سیستم های (1) و (2) راه حل یکسانی دارند انتخاب یک ماتریس شرطی مقدم M نشان می دهد که چنین ماتریسی نه تنها ویژگی های طیفی ماتریس A را تغییر می دهد بلکه بمنظور حل سیستم های خطی با مضروب ماتریس A بآسانی می توان آن را در کل بردار ضرب کرد. در حقیقت در هنگام حل سیستم 2 به روش تکرار لازم است ضرب ماتریس در بردار را در فرم مورد محاسبه قرار دهیم. سیستم خطی (1) با معادله زیر قابل جانشینی است.

(3)

ماتریس معکوس

در صورتی کهM ماتریس معکوس باشد در این مورد M ماتریس شرطی اولیه را ست نامیده می شود و از آنجائیکه هنگام حل سیستم خطی لازم است ضرب ماتریس در بردار را که بصورت نشان داده می شود محاسبه کنیم حل سیستم خطی با ضریب ماتریس A نیز ضروری به نظر می رسد یکی از شرایط برای روشهای حل تکراری در سیستم های خطی را می توان در بخش 19 مشاهده کرد زمانی که سیستم خطی از پراکندگی مسائل ناقص خطی ناشی می شود لازم و ضروری است که این مسائل را حل کرد در عوض تغییر مسیر از شتاب دهنده های همگرا به یک افزایش دهنده کیفیت در حل مسائل محاسبه شده به هیچ روش امکان پذیر نمی باشد. علاوه بر آن سمت و جهتی که معکوس ماتریس بکار می رود بسیار مهم است.در حل تکراری مسائل خطی یک شرط اولیه سمت راست مرتبط با داده های کاملاً منسجم و موجود در مورد حل در حالیکه شرایط لازم الاجرای سمت چپ داده هایی در مورد تمایز ویژگی های آماری ارائه می دهد در حالی که کاربرد این فرضیات در رابطه با روشهای تکراری در سیستم های خطی مشابه و مسائل خطی ناقص بر هم مرتبط است ساخت این پیش فرضیات مناسب کاملاً متغیر بوده و در موارد بعدی برای فهم اینکه چگونه این پیش فرضیات بر کیفیت حل مسائل اثر گذارنده مهم بنظر می رسد.

برخی انواع داده های قبلی در مورد حل ممکن است قابل تغیر به یک تغییرات مناسب در جهت حل های تکراری باشد بعنوان مثال داده هایی در مورد حد های بالایی و پائینی در حل اعداد صحیح بواسطه مراحل ترسیم سازی، پس از

دانلود پروژه روشهای تکراری پیش فرض در مسائل گسسته خطی (ریاضیات)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 40

روشهای تکراری پیش فرض در مسائل گسسته خطی

از منظر معکوس« بایسیان»

دانشکده ریاضیات و مرکزی برای مدل سازی سیستم های متابولیک کامل دانشگاه کمیس غربی کلوند، OH 44106 آمریکا

دریافتی 3 فویه 2005 دریافتی صورت اصلاح شده 24 آگوست 2005

چکیده:

در این مقاله ما با مسائل گسسته خطی که با روشهای تکراری قابل حل می باشد از نظر آماری معکوس بایسیان روبرو خواهیم شد پس از بررسی اجمالی روش های تکراری عمده برای حل مسائل ناقص خطی و برخی نتایج آماری اولیه و روشهای آماری استراتژیهای ترسیمی را مورد تجزیه و تحلیل قرار خواهیم داد. نمونه های محاسبه شده رابط بین این دو را تشریح می کند.

کلمات کلیدی: حل های معکوس( امتحانی) فضای فرعی« کریلا» و روش معکوس« بایسیان»

پیش فرضها مسائل ناقص

(1) مقدمه

استفاده از روشهای تکراری برای حل سیستمهای خطی معادلات روشی انتخابی است هنگامی که ابعاد سیستم آنقدر بزرگ باشد که

فاکتورسازی ماتریس A را غیر عملی سازد یا هنگامی که ماتریس آن بطور صریح مجهول باشد و ما بآسانی بتوانیم حاصلضرب آن را با هر گونه بردار معلومی محاسبه کنیم. هنگامی که سیستم خطی در رابطه با گسستگی مسائل خطی ناقص سمت راست b اطلاعات و فرضیات را مورد بررسی قرار دهد، نقش مسائل متوالی در ماتریس A افزایش می یابد و بنابراین حل مسائل برای یافتن خطا در داده ها مهم و ضروری به نظر می رسد. بمنظور حفظ خطا در نشان دادن صورت b برخی از روشهای بدست آوردن مجهولات بایستی مشخص شود در زمینه روشهای معکوس بمنظور حل مجهولات بواسطه توقف کردن تکرار قبل از همگرایی در حل سیستم های خطی بهتر است به تکرار های ناقص رجوع شود. تجزیه و تحلیل کامل در ویژگی های معلوم کردن به روش CG در معادلات کامل هنگامی که می توان از معیارهای بازدارندگی مناسب استفاده کرد در بخش ] 10 [ قابل بحث می باشد.

در صورتیکهM ماتریس معکوس باشد، براساس ویژگی های طیفی MA همگرایی سریعترین برای روشهای حل تکراری ایجاد می کند. ماتریس M ماتریس شرطی سمت چپ برای سیستم خطی(1) نامیده می شود قابلیت امتحان ماتریس M نشان میدهد که سیستم های (1) و (2) راه حل یکسانی دارند انتخاب یک ماتریس شرطی مقدم M نشان می دهد که چنین ماتریسی نه تنها ویژگی های طیفی ماتریس A را تغییر می دهد بلکه بمنظور حل سیستم های خطی با مضروب ماتریس A بآسانی می توان آن را در کل بردار ضرب کرد. در حقیقت در هنگام حل سیستم 2 به روش تکرار لازم است ضرب ماتریس در بردار را در فرم مورد محاسبه قرار دهیم. سیستم خطی (1) با معادله زیر قابل جانشینی است.

(3)

ماتریس معکوس

در صورتی کهM ماتریس معکوس باشد در این مورد M ماتریس شرطی اولیه را ست نامیده می شود و از آنجائیکه هنگام حل سیستم خطی لازم است ضرب ماتریس در بردار را که بصورت نشان داده می شود محاسبه کنیم حل سیستم خطی با ضریب ماتریس A نیز ضروری به نظر می رسد یکی از شرایط برای روشهای حل تکراری در سیستم های خطی را می توان در بخش 19 مشاهده کرد زمانی که سیستم خطی از پراکندگی مسائل ناقص خطی ناشی می شود لازم و ضروری است که این مسائل را حل کرد در عوض تغییر مسیر از شتاب دهنده های همگرا به یک افزایش دهنده کیفیت در حل مسائل محاسبه شده به هیچ روش امکان پذیر نمی باشد. علاوه بر آن سمت و جهتی که معکوس ماتریس بکار می رود بسیار مهم است.در حل تکراری مسائل خطی یک شرط اولیه سمت راست مرتبط با داده های کاملاً منسجم و موجود در مورد حل در حالیکه شرایط لازم الاجرای سمت چپ داده هایی در مورد تمایز ویژگی های آماری ارائه می دهد در حالی که کاربرد این فرضیات در رابطه با روشهای تکراری در سیستم های خطی مشابه و مسائل خطی ناقص بر هم مرتبط است ساخت این پیش فرضیات مناسب کاملاً متغیر بوده و در موارد بعدی برای فهم اینکه چگونه این پیش فرضیات بر کیفیت حل مسائل اثر گذارنده مهم بنظر می رسد.

برخی انواع داده های قبلی در مورد حل ممکن است قابل تغیر به یک تغییرات مناسب در جهت حل های تکراری باشد بعنوان مثال داده هایی در مورد حد های بالایی و پائینی در حل اعداد صحیح بواسطه مراحل ترسیم سازی، پس از

پروژه گسسته خطی (ریاضیات)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 40

روشهای تکراری پیش فرض در مسائل گسسته خطی

از منظر معکوس« بایسیان»

دانشکده ریاضیات و مرکزی برای مدل سازی سیستم های متابولیک کامل دانشگاه کمیس غربی کلوند، OH 44106 آمریکا

دریافتی 3 فویه 2005 دریافتی صورت اصلاح شده 24 آگوست 2005

چکیده:

در این مقاله ما با مسائل گسسته خطی که با روشهای تکراری قابل حل می باشد از نظر آماری معکوس بایسیان روبرو خواهیم شد پس از بررسی اجمالی روش های تکراری عمده برای حل مسائل ناقص خطی و برخی نتایج آماری اولیه و روشهای آماری استراتژیهای ترسیمی را مورد تجزیه و تحلیل قرار خواهیم داد. نمونه های محاسبه شده رابط بین این دو را تشریح می کند.

کلمات کلیدی: حل های معکوس( امتحانی) فضای فرعی« کریلا» و روش معکوس« بایسیان»

پیش فرضها مسائل ناقص

(1) مقدمه

استفاده از روشهای تکراری برای حل سیستمهای خطی معادلات روشی انتخابی است هنگامی که ابعاد سیستم آنقدر بزرگ باشد که

فاکتورسازی ماتریس A را غیر عملی سازد یا هنگامی که ماتریس آن بطور صریح مجهول باشد و ما بآسانی بتوانیم حاصلضرب آن را با هر گونه بردار معلومی محاسبه کنیم. هنگامی که سیستم خطی در رابطه با گسستگی مسائل خطی ناقص سمت راست b اطلاعات و فرضیات را مورد بررسی قرار دهد، نقش مسائل متوالی در ماتریس A افزایش می یابد و بنابراین حل مسائل برای یافتن خطا در داده ها مهم و ضروری به نظر می رسد. بمنظور حفظ خطا در نشان دادن صورت b برخی از روشهای بدست آوردن مجهولات بایستی مشخص شود در زمینه روشهای معکوس بمنظور حل مجهولات بواسطه توقف کردن تکرار قبل از همگرایی در حل سیستم های خطی بهتر است به تکرار های ناقص رجوع شود. تجزیه و تحلیل کامل در ویژگی های معلوم کردن به روش CG در معادلات کامل هنگامی که می توان از معیارهای بازدارندگی مناسب استفاده کرد در بخش ] 10 [ قابل بحث می باشد.

در صورتیکهM ماتریس معکوس باشد، براساس ویژگی های طیفی MA همگرایی سریعترین برای روشهای حل تکراری ایجاد می کند. ماتریس M ماتریس شرطی سمت چپ برای سیستم خطی(1) نامیده می شود قابلیت امتحان ماتریس M نشان میدهد که سیستم های (1) و (2) راه حل یکسانی دارند انتخاب یک ماتریس شرطی مقدم M نشان می دهد که چنین ماتریسی نه تنها ویژگی های طیفی ماتریس A را تغییر می دهد بلکه بمنظور حل سیستم های خطی با مضروب ماتریس A بآسانی می توان آن را در کل بردار ضرب کرد. در حقیقت در هنگام حل سیستم 2 به روش تکرار لازم است ضرب ماتریس در بردار را در فرم مورد محاسبه قرار دهیم. سیستم خطی (1) با معادله زیر قابل جانشینی است.

(3)

ماتریس معکوس

در صورتی کهM ماتریس معکوس باشد در این مورد M ماتریس شرطی اولیه را ست نامیده می شود و از آنجائیکه هنگام حل سیستم خطی لازم است ضرب ماتریس در بردار را که بصورت نشان داده می شود محاسبه کنیم حل سیستم خطی با ضریب ماتریس A نیز ضروری به نظر می رسد یکی از شرایط برای روشهای حل تکراری در سیستم های خطی را می توان در بخش 19 مشاهده کرد زمانی که سیستم خطی از پراکندگی مسائل ناقص خطی ناشی می شود لازم و ضروری است که این مسائل را حل کرد در عوض تغییر مسیر از شتاب دهنده های همگرا به یک افزایش دهنده کیفیت در حل مسائل محاسبه شده به هیچ روش امکان پذیر نمی باشد. علاوه بر آن سمت و جهتی که معکوس ماتریس بکار می رود بسیار مهم است.در حل تکراری مسائل خطی یک شرط اولیه سمت راست مرتبط با داده های کاملاً منسجم و موجود در مورد حل در حالیکه شرایط لازم الاجرای سمت چپ داده هایی در مورد تمایز ویژگی های آماری ارائه می دهد در حالی که کاربرد این فرضیات در رابطه با روشهای تکراری در سیستم های خطی مشابه و مسائل خطی ناقص بر هم مرتبط است ساخت این پیش فرضیات مناسب کاملاً متغیر بوده و در موارد بعدی برای فهم اینکه چگونه این پیش فرضیات بر کیفیت حل مسائل اثر گذارنده مهم بنظر می رسد.

برخی انواع داده های قبلی در مورد حل ممکن است قابل تغیر به یک تغییرات مناسب در جهت حل های تکراری باشد بعنوان مثال داده هایی در مورد حد های بالایی و پائینی در حل اعداد صحیح بواسطه مراحل ترسیم سازی، پس از

پروژه روشهای تکراری پیش فرض در مسائل گسسته خطی (ریاضیات)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 40

روشهای تکراری پیش فرض در مسائل گسسته خطی

از منظر معکوس« بایسیان»

دانشکده ریاضیات و مرکزی برای مدل سازی سیستم های متابولیک کامل دانشگاه کمیس غربی کلوند، OH 44106 آمریکا

دریافتی 3 فویه 2005 دریافتی صورت اصلاح شده 24 آگوست 2005

چکیده:

در این مقاله ما با مسائل گسسته خطی که با روشهای تکراری قابل حل می باشد از نظر آماری معکوس بایسیان روبرو خواهیم شد پس از بررسی اجمالی روش های تکراری عمده برای حل مسائل ناقص خطی و برخی نتایج آماری اولیه و روشهای آماری استراتژیهای ترسیمی را مورد تجزیه و تحلیل قرار خواهیم داد. نمونه های محاسبه شده رابط بین این دو را تشریح می کند.

کلمات کلیدی: حل های معکوس( امتحانی) فضای فرعی« کریلا» و روش معکوس« بایسیان»

پیش فرضها مسائل ناقص

(1) مقدمه

استفاده از روشهای تکراری برای حل سیستمهای خطی معادلات روشی انتخابی است هنگامی که ابعاد سیستم آنقدر بزرگ باشد که

فاکتورسازی ماتریس A را غیر عملی سازد یا هنگامی که ماتریس آن بطور صریح مجهول باشد و ما بآسانی بتوانیم حاصلضرب آن را با هر گونه بردار معلومی محاسبه کنیم. هنگامی که سیستم خطی در رابطه با گسستگی مسائل خطی ناقص سمت راست b اطلاعات و فرضیات را مورد بررسی قرار دهد، نقش مسائل متوالی در ماتریس A افزایش می یابد و بنابراین حل مسائل برای یافتن خطا در داده ها مهم و ضروری به نظر می رسد. بمنظور حفظ خطا در نشان دادن صورت b برخی از روشهای بدست آوردن مجهولات بایستی مشخص شود در زمینه روشهای معکوس بمنظور حل مجهولات بواسطه توقف کردن تکرار قبل از همگرایی در حل سیستم های خطی بهتر است به تکرار های ناقص رجوع شود. تجزیه و تحلیل کامل در ویژگی های معلوم کردن به روش CG در معادلات کامل هنگامی که می توان از معیارهای بازدارندگی مناسب استفاده کرد در بخش ] 10 [ قابل بحث می باشد.

در صورتیکهM ماتریس معکوس باشد، براساس ویژگی های طیفی MA همگرایی سریعترین برای روشهای حل تکراری ایجاد می کند. ماتریس M ماتریس شرطی سمت چپ برای سیستم خطی(1) نامیده می شود قابلیت امتحان ماتریس M نشان میدهد که سیستم های (1) و (2) راه حل یکسانی دارند انتخاب یک ماتریس شرطی مقدم M نشان می دهد که چنین ماتریسی نه تنها ویژگی های طیفی ماتریس A را تغییر می دهد بلکه بمنظور حل سیستم های خطی با مضروب ماتریس A بآسانی می توان آن را در کل بردار ضرب کرد. در حقیقت در هنگام حل سیستم 2 به روش تکرار لازم است ضرب ماتریس در بردار را در فرم مورد محاسبه قرار دهیم. سیستم خطی (1) با معادله زیر قابل جانشینی است.

(3)

ماتریس معکوس

در صورتی کهM ماتریس معکوس باشد در این مورد M ماتریس شرطی اولیه را ست نامیده می شود و از آنجائیکه هنگام حل سیستم خطی لازم است ضرب ماتریس در بردار را که بصورت نشان داده می شود محاسبه کنیم حل سیستم خطی با ضریب ماتریس A نیز ضروری به نظر می رسد یکی از شرایط برای روشهای حل تکراری در سیستم های خطی را می توان در بخش 19 مشاهده کرد زمانی که سیستم خطی از پراکندگی مسائل ناقص خطی ناشی می شود لازم و ضروری است که این مسائل را حل کرد در عوض تغییر مسیر از شتاب دهنده های همگرا به یک افزایش دهنده کیفیت در حل مسائل محاسبه شده به هیچ روش امکان پذیر نمی باشد. علاوه بر آن سمت و جهتی که معکوس ماتریس بکار می رود بسیار مهم است.در حل تکراری مسائل خطی یک شرط اولیه سمت راست مرتبط با داده های کاملاً منسجم و موجود در مورد حل در حالیکه شرایط لازم الاجرای سمت چپ داده هایی در مورد تمایز ویژگی های آماری ارائه می دهد در حالی که کاربرد این فرضیات در رابطه با روشهای تکراری در سیستم های خطی مشابه و مسائل خطی ناقص بر هم مرتبط است ساخت این پیش فرضیات مناسب کاملاً متغیر بوده و در موارد بعدی برای فهم اینکه چگونه این پیش فرضیات بر کیفیت حل مسائل اثر گذارنده مهم بنظر می رسد.

برخی انواع داده های قبلی در مورد حل ممکن است قابل تغیر به یک تغییرات مناسب در جهت حل های تکراری باشد بعنوان مثال داده هایی در مورد حد های بالایی و پائینی در حل اعداد صحیح بواسطه مراحل ترسیم سازی، پس از