1)  V-model
V-模型
2)  C-V model
C-V模型
1.
Ultrasound image segmentation method based on improved C-V model;
基于改进C-V模型的超声图像分割方法
2.
Chinese visual human images segmentation based on improved C-V model;
基于改进的C-V模型虚拟人脑图像分割模型
3.
The C-V model is introduced into the infrared image segmentation,and an improved C-V model is proposed.
将C-V模型引入到红外图像分割中,同时提出了一种改进的模型。
3)  S-V model
S-V模型
1.
In this paper,introduces Path loss model、modified Poisson model、S-V model、2-Cluster model and IEEE 802.
文中给出了路径损耗模型、修正的泊松模型、Δ-K模型、S-V模型、2簇模型和IEEE 802。
2.
First introduces briefly a UWB system based on OFDM, then analyses S-V model provided by Intel in common use,points out its limitation,puts forward a kind of more reasonable modification method,makes that model can be apply in the UWB-OFDM system,at last,gives the statistical characteristics and some pulse responses of the UWB-OFDM channel.
简要介绍了OFDM技术的UW B系统,分析了Intel提供的UW B系统中常用的S-V模型,指出了其局限性,提出了一种较为合理的改进方案,使该模型能应用于UW B-OFDM系统,最后给出了该模型的统计特征和信道样本。
4)  V-Model
V模型
1.
On the Testing Method with Automated Tools based on V-Model;
基于V模型的自动化工具测试方法
2.
Software Reliability Analysis Based on V-model Improvement Test Behavior;
基于V模型改进的测试行为的软件可靠性分析
3.
The paper gives a detailed introduction and analysis to V-model and W-model for software testing.
本文通过对目前常用的V模型和W模型的介绍与分析,找出了两者的不足之处,并综合两种模型的优点,提出了一种新的软件测试模型(扩展V模型)。
5)  M-V model
M-V模型
6)  Lotka-volterra model
L-V模型
1.
Estimation of high-precision parameters is studied based on the Lotka-volterra model.
以L-V模型为例,对模型高精度参数的确定方法进行了研究。
参考词条
补充资料："泛魔"识别模型
    　　一种以特征分析为基础的图像识别系统。1959年B.塞尔弗里吉把特征觉察原理应用于图像识别的过程，提出了"泛魔"识别模型。这个模型把图像识别过程分为不同的层次，每一层次都有承担不同职责的特征分析机制,它们依次进行工作,最终完成对图像的识别。塞尔弗里吉把每种特征分析机制形像地称作一种"小魔鬼"，由于有许许多多这样的机制在起作用，因此叫做"泛魔"识别模型。这一模型的特点在于它的层次的划分。
　　
　　"泛魔"识别模型系统的图像识别共有4个层次(见图)。第一层是执行最简单任务的"映象鬼"，它们只是记录外界的原始形象,正像视网膜获得外界刺激的映象;然后由"特征鬼"进一步分析这个映象。在分析过程中，每个特征鬼都去寻找与自己有关的图像特征。例如，在识别英文字母时，每个特征鬼负责报告字母的一种特征及其数量，如垂直线、水平线、斜线、直角、锐角，不连续曲线和连续曲线等；再由"认知鬼"接受特征鬼的反应，每个认知鬼都从特征鬼的反应中寻找与自己负责识别的图像有关的特征,发现了这种特征时,它就"叫喊"，发现的特征越多，"叫喊"声越大;最后,"决策鬼"根据许多"认知鬼""叫喊"声的大小，选择叫喊声最大的"认知鬼"的反应作为所要识别的图像。
　　
　　例如在识别字母R时,"映象鬼"先对R进行编码,把信息传递给"特征鬼"作进一步加工,这时会有5个"特征鬼"分别报告图像所包括的一条垂线、两条水平线，一条斜线,3个直角和一条不连续曲线。然后许多"认知鬼"则根据所报告的这些特征及其数量来识别是否是自己负责的字母。这时D、P、R鬼都会有反应，但P鬼只有 4个特征与其符合,并有一特征（斜线）与其不符合；D鬼只有3个特征与其符合,并有两个特征（斜线、直角）与其不符合；只有R鬼有5个特征与其符合,而且这5个特征又包括了R的全部特征，所以R鬼的叫喊声最大，因此"决策鬼"就很容易地作出选择R的决定。
　　
　　"泛魔"识别模型对于相似的图形也可以分辨，不致混淆；对于失真的图形,如字母的大小发生变化时,识别也不致发生困难。以特征分析为基础的"泛魔"识别模型是一个比较灵活的图像识别系统。它可进行一定程度的学习，如"认知鬼"可逐渐学会怎样解释与它所负责的字母有关的各种特征；它还可以容纳具有其他功能的鬼。这个系统现在也被用来描述人的图像识别过程。
　　

说明：补充资料仅用于学习参考，请勿用于其它任何用途。