1) projection pursuit learning network
投影寻踪学习网络
1.
We present a new network——projection pursuit learning network (PPLN) based on Legendre polynomial——to overcome these shortcomings.
研究了用于分类的投影寻踪学习网络，给出了投影寻踪网络的学习机理，证明了基于Ｌｅｇｅｎｄｒｅ 多项式投影寻踪学习的收敛性，并用投影寻踪学习网络较完满地解决了６４ 维三类目标的分类问题及冰雹云数据的分类问题。
2.
Considering the fact that the drift is a group of multi-variable nonlinear time series related with temperature,for the first time,the projection pursuit learning network(PPLN)was employed to model the FOG drift with respect to the environmental temperature.
在这一领域首次采用投影寻踪学习网络(PPLN)方法设计FOG温度漂移在线估计器。
3.
Using projection pursuit learning network (PPLN), a new classification for remote sensing image is proposed.
利用苏州市TM影像进行了分类实验,将分类结果与BP神经网络和最大似然法的分类结果相比较,投影寻踪学习网络的分类精度较高,具有一定的实用性。
2) projection pursuit wavelet learning network
投影寻踪子波学习网络
3) Projection pursuit wavelet neural network
投影寻踪小波学习网络
4) projection pursuit learning
投影寻踪学习
1.
This paper establishes a new projection pursuit learning networks to the extreme short prediction of big ship motion, which is a combined project pursuit learning and neural networks characteristic.
本文结合投影寻踪和神经网络的优点 ,建立了应用于大型船舶运动的极短期预报的多维投影寻踪学习网络(PPLN)结构及算法 ,并将该算法所取得的预报结果与自回归预报法和周期图预报法的结果进行比较 ,预报结果说明了该算法的可行性。
2.
The projection pursuit learning network to approximate multiple dimensional non-linear time series and the algorithm are presented in this paper, which can approximate the modes of multiple dimensional non-linear time series at any accuracy.
建立了多维非线性时间序列投影寻踪学习网络结构及算法，证明了投影寻踪学习网络可以以任意精度逼近多维非线性时间序列，解决了基于投影寻踪学习的多维非线性时间序列的建模和预测问题，实际应用例子表明该算法可行。
5) wavelet-domain projection pursuit learning network
小波域投影寻踪网络
6) projection pursuit
投影寻踪
1.
Application of projection pursuit model in regional eco-environment quality assessment;
投影寻踪模型在区域生态环境质量评价中的应用
2.
Research on application of the projection pursuit model to water pollution control planning;
投影寻踪模型在水污染控制规划中的应用
3.
Application of projection pursuit model to evaluation of groundwater quality;
投影寻踪模型在地下水水质评价中的应用
补充资料：滤波反投影或卷积反投影
滤波反投影或卷积反投影
影像学术语。当代影像学设备进行影像重建的数学方法。在直接用扫描后所获得的投影轨迹剖面图反投影重建出的CT图像中，无法避免角度卷入条纹伪影(angular aliasing streaks)造成的模糊和失真。这种现象与被扫描层面的空间频率中高频信息的损失有关。使用一种精密的数学方法去除这种模糊。称为“展现”(unfolding)或去卷积(deconvolution)，即在反投影前使用一种数学的“滤器”或卷积函数对原始数据进行修正，然后再进行反投影。两步数学处理过程合称为滤波(修正后)反投影或卷积(后)反投影。这种方法的优点是处理过程简单，速度快，所得图像逼真、清晰。
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