1) O distance Clustering Procedure analysis
欧氏距离聚类分析
3) Euclidean distance
欧氏距离
1.
Study on the Quality Control of Flos Chrysanthemi Indici by HPLC Chromatographic Fingerprint with Euclidean Distance;
液相指纹图谱结合欧氏距离对野菊花质量控制的研究
2.
Application study of image Euclidean distance in face recognition;
图像欧氏距离在人脸识别中的应用研究
3.
Line detection based on Euclidean distance;
基于欧氏距离的实时直线检测算法
4) Euclid distance
欧氏距离
1.
Firstly, reconstruct attractors in phase spaces using chaotic theory,Secondly fit the attractor s evolvement using BP neural networks, because selecting neural network s input training data using Euclid distance and correlation, improve neural network s associative memory and ratiocinative ability, can better fit the attractor s evolvement.
提出一种将混沌理论、关联度和神经网络相结合的短期负荷预测模型,首先利用混沌理论重构负荷时间序列的相空间吸引子,然后用BP神经网络来拟合空间吸引子的演化,由于使用空间欧氏距离和关联度联合来选取神经网络的训练样本,这样就提高了神经网络对负荷序列混沌特性的联想和泛化推理能力,能够更好的拟合吸引子的演化。
2.
Secondly,the attractor s evolvement using BP neural networks is made,and the neural network s input data using Euclid distance is selected.
提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法,利用混沌理论重构相空间的吸引子,然后用BP神经网络来拟合空间吸引子的演化,同时利用空间欧氏距离来选取神经网络的输入样本,实例预测结果表明所提出方法的有效性和可行性。
3.
Because the values of Euclid distance limits used in the forecasting evidently impact the fore.
在混沌理论中,采用不同的嵌入维数计算方法所获得的维数略有不同,而在不同嵌入维数下对同一负荷时间序列进行预测的结果也不同,对此,文章提出了多嵌入维数的负荷预测方法,将不同维数下的预测结果进行加权平均;在预测过程中欧氏距离极限的取值对预测结果有很大影响,文中采用动态调整法进行选取以使预测误差最小。
5) cluster analysis of genetic distance
遗传距离聚类分析
1.
The methods of principal component analysis (PCA), cluster analysis of genetic distance, index selection and comparison of integrated characteristics based on ranking were used for selection of the best clones from 25 seven_year_old progenies through comparison of the above mentioned methods.
该文利用主成分分析法、遗传距离聚类分析、选择指数和综合性状评分法 ,对 7年生 2 5个杨树无性系进行优良无性系多性状选择 。
6) euclid-distance classifier
欧式距离分类器
补充资料：非系统聚类分析
分子式：
CAS号：
性质： 又称非谱系聚类分析。先将各样本粗略分为K个初始类，计算各类形心的坐标，再计算每个样本到类形心的距离，重新将样本聚集到最近距离的类中。再重新计算接受和失去了样本后的各类的形心，再对每个样本进行归类。循此进行，直到每个样本都归到了它与其类形心最靠近的类中，聚类过程停止，最后形成K类。
CAS号：
性质： 又称非谱系聚类分析。先将各样本粗略分为K个初始类，计算各类形心的坐标，再计算每个样本到类形心的距离，重新将样本聚集到最近距离的类中。再重新计算接受和失去了样本后的各类的形心，再对每个样本进行归类。循此进行，直到每个样本都归到了它与其类形心最靠近的类中，聚类过程停止，最后形成K类。
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