1) SAHNN
结构逼近式混合神经网络
1.
A new hybrid neural networks modeling approach, named structure approaching hybrid neural network (SAHNN) is presented in this paper.
提出了一种新的混合神经网络建模方法——结构逼近式混合神经网络。
2) structure approaching hybrid neural networks
结构逼近式神经网络
1.
Base on separability of reaction,the topology of model was established via structure approaching hybrid neural networks(SAHNN).
针对间歇反应是一个非线性、非稳态过程,根据化学反应的非线性分离特性,采用结构逼近式神经网络构建模型的拓扑结构。
3) structure approaching hybrid neural network
结构逼近式混合网络
4) neural network approximator
神经网络逼近器
6) neural network/numerical approximation
神经网络/数值逼近
补充资料:Diophantus逼近
Diophantus逼近
Diophantine approximations
【补注】巧0 Phani谓逼近的最重要发展是超越数(t.田s-以泊dentaln山nber)论,无理数(mtio介aln切赶ber)论和模1分布(distrib以ionm目dle one)几个方向. 涉及到用范形式表示数的问题有以下结果(【AZ」).令K是代数数域和令N记为范映射(加nnIT以P)K~Q.令M是K中的模(m目口e),即一个有限维Z模CK(也称为一个(非完全)格).如果M⑧Q=K,就称M为满模(n』Ul班记ule).对存在一个整数m,使得方程N产=m在M中有无穷多解拜的充分必要条件是M在K的某个子域中是满模,这个子域既不是有理数域,也不是虚二次域. 令刀:,…,民是模M的基底.考虑线性形式L(xt,·“,戈)=x,刀】十…十戈民.令a取K到复数域C的所有嵌人.令毛‘“,=x,a伊,)+…+x,。(氏).乘积f(x)=n声闭是Q上。次齐次型.这种形式称为范形式(no皿fo砒).显然,求解N拜=。与用形式f(在Z中取值)表示m的过程是相同的.伪咐即如逼近【D如咖耐理a即和汕皿山胭;及.中aff-T~np,6几~,。l 研究有限个整变量的函数值逼近于零的数论分支.最初的Diophant比逼近问题涉及到实数的有理逼近.它的发展导致研究某些实函数在整数变量上必须取“小”值的间题.因此,Di0Phantus逼近与求解整数变量的不等式—DioPhartus不等式—和求解整数变量的方程(见肠州腼.‘方程(Diophanti叱叫ua-tions))有密切的联系. 如果所讨论的(逼近)函数 F=F(x,,…,戈)对整数变量xl,…,x,是线性的,那么对函数F的Diophant璐逼近称为线性的(lin雌r);否则称为非线性的(加n刁泊口r).如果F是关于xl,…,戈的齐次多项式,那么对函数F的DiophantuS逼近称为齐次的(ho-Ino罗n印us).当同时考虑至少有一个公共整数变数的几个函数F时,这样的Diophantus逼近称为联立的(s诵ul-扭n以〕us),按上面的定义,联立Diophantus逼近可以是线性的或非线性的,齐次的或非齐次的. F的数值接近于零,不仅可以认为,对给定的e>认 】F(x,,…,戈)】<£,还可以认为 0延F(xl,…,戈)<£(单边逼近).函数F可以依赖于在某个区域连续变化的参数,称为带参数的Diophant出逼近.最后,逼近函数的定义域和值域不仅可以是Eudid空间的子集合,也可以是完全不同的拓扑空间(见下面,P进数域上的。沁phalltt‘逼近和幂级数域上的Diopha刀t比逼近). 在Diophant此逼近中,最古老的(最简单的)问题是线性型仪x一y逼近于零,其中“>O是给定的实数,x和y是可变的整数(线性齐次D沁phantus逼近),也就是对:的有理逼近问题·对特殊的:(:二介,2灯’,幻,这个问题在很早就被研究了(A代瓦med。,Dioph-antus,EuCbd),L .Euler和J .L.场笋n罗完全弄清楚了它与连分数(contln以月加以沁n)的密切联系.特别地,如果x卫>O,yJ>0,使得 }“xl一y,1=n卫们}仪x一y}成立,这里的最小值取在某个任意的区间O
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条