1、該方法使用了向量量化技術(shù)并采用LBG算法設(shè)計(jì)碼本.

2、還有，這些新特性以及一個(gè)新的數(shù)據(jù)類型使用了向量指令進(jìn)行并行化的計(jì)算。

3、矩陣的秩、齊次線性方程組的解等知識運(yùn)用于向量組線性相關(guān)性判定，歸納出六種判定向量組線性相關(guān)性的方法。

4、支持向量機(jī)有許多優(yōu)點(diǎn)：有效防止過擬和，適合大的特征空間，給定數(shù)據(jù)集的信息壓縮。

5、該方法以構(gòu)造負(fù)荷點(diǎn)供電“最小路饋線段行向量”的方法，方便地求得帶子饋線、備用電源的復(fù)雜配電網(wǎng)絡(luò)的可靠性指標(biāo)。

6、并且研究了模糊支持向量分類機(jī)中最佳置信水平的確定方法。

7、本教程討論的內(nèi)容包括腳本、CSS和SVG的基本動畫特性，用于在Web向量圖像中實(shí)現(xiàn)動態(tài)效果。

8、Meschach可以解稠密或稀疏線性方程組、計(jì)算特征值和特征向量和解最小平方問題，另外還有其它功能。

9、本研究系采用地籍圖掃瞄影像檔由面生成線，線簡化成點(diǎn)使其保有其向量式位相關(guān)系。

10、本文采用矩陣和向量分析方法，對六自由度運(yùn)動平臺運(yùn)動學(xué)特性進(jìn)行了研究。

11、給出了兩個(gè)拓?fù)?span style='color: red' class='cred'>向量空間的乘積空間上截口定理，極小極大不等式及一個(gè)推廣的不動點(diǎn)定理。

12、由于在原有基礎(chǔ)上增加了其特征向量的維數(shù)，因而具有更好的魯棒性。

13、運(yùn)用此定理，在線性空間中建立了帶廣義不等式約束的向量極值問題的最優(yōu)性條件。

14、采用加利佛尼亞評判性思維傾向量表為研究工具，應(yīng)用方便抽樣法共抽取535名護(hù)理本科生為研究對象。

15、本研究系采用地籍圖掃瞄影像檔由面生成線，線簡化成點(diǎn)使其保有其向量式位相關(guān)系。 網(wǎng)

16、在序線性空間中，利用次似凸映射的擇一性定理，得出具有一般約束的向量極值問題的最優(yōu)性條件。

17、代數(shù)及向量等不同觀點(diǎn)推導(dǎo)四鄰公式，并進(jìn)而直接推論特殊球面三角中納皮爾法則二的公式。

18、本文提出一種新的基于梯度向量角的鏡頭邊界檢測方法。

19、極限，一元函數(shù)微積分、空間解析幾何與向量代數(shù)，無窮級數(shù)，多元微積分，常微分方程。

20、用非標(biāo)準(zhǔn)分析的方法給出向量函數(shù)微分的定義。

21、那向量場代表的是,流體在平面上的每一點(diǎn)的流動情況。

22、方向向量和上向量是線性相關(guān)的。

23、在序線性拓?fù)淇臻g里研究了含有集約束向量極值問題的最優(yōu)性條件，并建立了充分性和必要性條件。

24、考慮被控對象控制向量2范數(shù)上界,得到控制受約束的LMI表述.

25、本文在深入分析比較各種航段運(yùn)量方法的基礎(chǔ)上,研究了利用支持向量機(jī)進(jìn)行航段運(yùn)量預(yù)測建模的方法.

26、首先根據(jù)三個(gè)標(biāo)定點(diǎn)對估計(jì)旋轉(zhuǎn)矩陣，然后根據(jù)相機(jī)和一個(gè)點(diǎn)對的幾何關(guān)系直接計(jì)算平移向量。

27、提出了一種基于分類技術(shù)的支持向量回歸方法，解決數(shù)據(jù)分布未知、數(shù)學(xué)模型未知的非線性回歸問題。

28、以江陰興澄鋼鐵公司的實(shí)際數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明，支持向量機(jī)方法有著良好的泛化能力，優(yōu)于人工神經(jīng)網(wǎng)絡(luò)建模方法。

29、呃，這兩個(gè)數(shù)，P1P點(diǎn)乘,這個(gè)外積，或者乘以這三個(gè)向量的行列式，不管怎樣都是相等的。

30、求兩個(gè)向量和的運(yùn)算，叫做向量的加法。

31、表格，包含由中斷類型決定的中斷向量和索引。

32、最后討論了向量值正規(guī)模糊子群與向量值模糊商群的性質(zhì)，同時(shí)建立了向量值模糊商群的同構(gòu)定理。

33、將行列式的值、矩陣的秩、齊次線性方程組的解等知識運(yùn)用于向量組線性相關(guān)性判定，歸納出六種判定向量組線性相關(guān)性的方法。

34、然后以支持向量機(jī)為分類器，檢驗(yàn)候選特征基因子集對樣本分類的貢獻(xiàn)，選取錯(cuò)分率最低的候選特征基因子集為結(jié)腸癌特征基因子集。

35、但一組相當(dāng)接近預(yù)期結(jié)果的向量，卻極有可能被下一個(gè)隨機(jī)取樣的向量給搞砸了。

36、先對織物圖像的分類問題建立貝葉斯模型，再提取織物圖像的形態(tài)結(jié)構(gòu)參數(shù)作為特征向量，并計(jì)算出分類結(jié)果。

37、結(jié)果表明，代用資料樹輪時(shí)間序列是非線性系統(tǒng)的混沌時(shí)間序列，混沌吸引子在時(shí)滯參數(shù)為9，嵌入維數(shù)為3的重構(gòu)向量空間中恰好打開。

38、方法依據(jù)拓?fù)洌狗治龊头汉治龅睦碚摚瑢τ阱F擾動向量優(yōu)化問題中特定的集值映射進(jìn)行分析和研究。

39、這只是一個(gè)由向量場得到的,有點(diǎn)特別的函數(shù)，但這跟別的函數(shù)是一樣的。

40、此校準(zhǔn)方法具有使用多埠校準(zhǔn)器，校準(zhǔn)多埠向量網(wǎng)路分析儀之潛力。

41、證明了對每一個(gè)四元數(shù)矩陣，至少存在一個(gè)右特征主值，存在一個(gè)屬于它的特征向量，并給出了具體的求解方法。

42、要找到機(jī)場當(dāng)?shù)氐臅r(shí)區(qū)也很困難，好在機(jī)場的經(jīng)度和緯度比較容易獲得，因此我們可以利用時(shí)區(qū)向量地圖用經(jīng)緯度來確定時(shí)區(qū)。

43、系統(tǒng)利用中文文檔信息處理中的文檔特征向量提取技術(shù)，作為郵件過濾的依據(jù)。

44、我們利用平面向量分析，矩陣，求導(dǎo)運(yùn)算等工具推導(dǎo)出所有的結(jié)論和公式。

45、用我們喜歡的向量場來點(diǎn)乘它。

46、應(yīng)用瞬時(shí)值對稱分量變換，可提取電壓、電流故障分量的正序空間向量。

47、與NMF等不同，2DNMF充分利用表情圖像矩陣中的行向量間的信息和列向量間的信息，盡可能地保留了原始的表情信息。

48、將攝像頭采集到的圖像的像素坐標(biāo)作為輸入，將世界坐標(biāo)作為輸出，用最小二乘支持向量機(jī)使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出映射關(guān)系。

49、同時(shí)也探討了高中數(shù)學(xué)課程中空問向量的內(nèi)容設(shè)置及其邏輯體系，并分析了空間向量與立體幾何的關(guān)系。

50、例如，在某些情況下，如果已知向量場與曲線相切,或者內(nèi)積是一個(gè)常數(shù)等等,那么結(jié)果將會很簡單。

51、結(jié)論：腦電信息流的向量分析技術(shù)，對精神病人的臨床診斷有重要價(jià)值。

52、另外，大多方案提出的自適應(yīng)律都是對最優(yōu)逼近參數(shù)向量進(jìn)行自適應(yīng)調(diào)節(jié)。

53、對大規(guī)模訓(xùn)練樣本的支持向量機(jī)訓(xùn)練問題進(jìn)行探索，提出了一種基于正交表的并行學(xué)習(xí)算法。

54、利用迭代學(xué)習(xí)的方法來簡化支持向量機(jī)的決策函數(shù)，實(shí)驗(yàn)證明本文的方法能夠極大的簡化SVM的決策函數(shù)，該方法易于實(shí)施。

55、有一個(gè)向量場來描述每一個(gè)點(diǎn)上的向量。

56、結(jié)果證明，和線性預(yù)測算法相比，采用支持向量機(jī)預(yù)測網(wǎng)絡(luò)延時(shí)具有較高的正確率。

57、主要強(qiáng)調(diào)一些對其他學(xué)科很有用處的內(nèi)容，包括方程系統(tǒng)，向量空間，行列式，本征值，相似矩陣和正定矩陣。

58、基于信號特征向量分解的一種唯一形式，我們提出了用遞推算法來實(shí)現(xiàn)由一個(gè)或幾個(gè)信號特征向量進(jìn)行DOA估計(jì)。

59、使用向量空間模型來表示事件描述片段的特征，并分類計(jì)算特征詞的重要度，最后對文本中的事件片段進(jìn)行定位和分類。

60、計(jì)算機(jī)病毒利用讀寫文件能進(jìn)行感染，利用駐留內(nèi)存、截取中斷向量等方式能進(jìn)行傳染和破壞。

61、編程中采用了稀疏矩陣向量相乘的優(yōu)化技術(shù).

62、支援向量迴歸方法可以在給定的資料中產(chǎn)生一個(gè)簡潔的迴歸模式，以避免傳統(tǒng)機(jī)器學(xué)習(xí)法中的資料過度學(xué)習(xí)問題。

63、為更好的解決這一問題，論文提出一種基于預(yù)測性運(yùn)動向量的菱形搜索方法，有效的提高了視頻壓縮的性能。

64、利用最小外接矩形和灰度信息作為各目標(biāo)的特征向量，匹配各目標(biāo)對象，以求取各目標(biāo)運(yùn)動速度。

65、我們已經(jīng)知道了一個(gè)準(zhǔn)則,如果向量場的旋度為零,而且它在整個(gè)平面上有定義，那么這個(gè)向量場是保守的，而且它是個(gè)梯度場。

66、并結(jié)合實(shí)例，討論了支持向量回歸在供應(yīng)鏈管理績效評價(jià)中的應(yīng)用及其特點(diǎn)。

67、在各向異性的非均質(zhì)材料中,熱流向量和熱導(dǎo)率很復(fù)雜.

68、這有一條平面曲線和一個(gè)向量場。

69、我需要一個(gè)確定的向量場,而且它在，D，上是處處可微的，然后和平時(shí)一樣的做法。

70、在基于支持向量機(jī)的遙感影像目標(biāo)檢測中，因?yàn)橛邢薜哪繕?biāo)樣本和相對復(fù)雜的背景，造成檢測結(jié)果的虛警率偏高。

71、記得有一次聊到先生為什么會想到研究向量叢,先生回答:線性代數(shù)研究一個(gè)向量空間,很自然的要考慮一簇向量空間,這就是向量叢。

72、垂直于T和N所構(gòu)成的平面的單位向量，該平面為曲率所在的面。

73、由于詞序相似度是影響簡拼搜索排序結(jié)果的主要因素，該文提出了基于向量距離計(jì)算詞序相似度的算法。

74、如果要得到單位向量，需要除以它的模長。

75、如果大家知道圓柱面是什么樣的，那么就可以想象到,其法向量水平地指向外面。

76、我需要一個(gè)向量切割測控這種字體.

77、將DICA方法分別應(yīng)用于廣義支持向量機(jī)或最小二乘支持向量機(jī)回歸估計(jì)，構(gòu)成多層支持向量回歸估計(jì)器。

78、SketchUp的箭號現(xiàn)在為點(diǎn)陣圖像,先前為向量圖像.

79、為了找到帶法向量的面元，我就取這兩個(gè)的叉積。

80、我們?nèi)菀字?法向量為，正負(fù)號取決于它是指向外面還是里面。

81、所構(gòu)成的平面的單位向量，該平面為曲率所在的面。

82、香港及中國城市多層資訊向量地圖，有放大功能，可逐層加上或刪除資料層。

83、再根據(jù)哈密頓原理導(dǎo)出了懸索大撓度振動的有限體積離散方程，推出了索的整體節(jié)點(diǎn)力向量、質(zhì)量矩陣和切線剛度矩陣。

84、有一條平面曲線和這個(gè)平面上的向量場。

85、該算法對LDI的每個(gè)深度像素增加一個(gè)方向向量，對位于同一深度的像素采用加權(quán)平均的方法生成新視點(diǎn)下的目標(biāo)圖像。

86、在權(quán)向量確定方式上，對確定各評價(jià)因素重要性因子的兩兩比對法進(jìn)行了改進(jìn)，結(jié)合改進(jìn)的AHP指數(shù)標(biāo)度方法，較好解決了定權(quán)過程的一致性問題。

87、在論述了差動保護(hù)原理的基礎(chǔ)上，詳細(xì)說明了向量分析儀的原理和結(jié)構(gòu)并簡要分析了向量分析儀的基本功能。【查字典 h ttps: //www。ch azidian。com】

88、例外序列的概念來源于對于向量叢的研究。

89、正基于此，本文進(jìn)一步以矩陣和向量為工具對解法進(jìn)行優(yōu)化，使通過初等行變換后經(jīng)線性表出就可以產(chǎn)生結(jié)果。

90、本文對31維特征向量運(yùn)用因子分析法，得到了7個(gè)彼此獨(dú)立的公因子變量。

91、底面就是一個(gè)以向量B和C為邊的平行四邊形,我們怎么才能計(jì)算出這個(gè)平行四邊形的面積？

92、首先提取出文本訓(xùn)練集的特征詞，建立特征向量空間模型。

93、本文提出了一種自適應(yīng)控制算法：單位向量加積分校正自適應(yīng)算法。

94、這意味著這一項(xiàng)就是單位向量。

95、研究并解決斷點(diǎn)下載、中斷向量重映射等問題。

96、擾動因子向量的方向與材料單元體應(yīng)力主方向相同。

97、研究基于模糊系數(shù)規(guī)劃的模糊支持向量分類機(jī)。

98、通過推導(dǎo)單元特征方程的解及應(yīng)用虛功原理，建立了墻元的剛度矩陣和荷載向量。

99、用拉格朗日乘子法，利用向量分析的工具及巧妙的變換，對帶摩擦約束的彈塑性接觸問題的變分不等原理進(jìn)行了嚴(yán)格的證明。

100、本課程的主要內(nèi)容：極限論，一元微積分及其應(yīng)用，向量代數(shù)和空間解析幾何。