1) crosstab mutually exclusive matrix classified
列联表互斥矩阵分类
2) matrix classify
矩阵分类
1.
At the same time,matrix classify,the integration of matrix classify and criterion orientation,a.
区划时选择县级行政区为基本分析单元,并遵循“复杂性系统工程—简单化假设处理—合理化分析识别”的总体思路;采用矩阵分类、矩阵分类与标准定位相结合两种路径,基于不同路径的主体功能适宜性评价指标体系既有共性也有差异;区划方法采用综合集成法,包括修正的熵值法和主成分分析法、系统聚类法、矩阵判断、叠加分析和缓冲分析等;区划成果在一定程度上打破了县级行政区界限,但保持乡镇行政区的相对完整性。
3) classification matrix
分类矩阵
1.
Based on minimum distance and classification matrix,a dynamical clustering algorithm was used to successfully detect the cloud from MODIS satellite images.
利用多光谱阈值法进行云与下垫面的初始化分类,然后应用基于最小距离和分类矩阵的动态聚类算法,对MODIS云图实现云检测,并分离出积雨云、卷云、其他高云、中云、低云。
2.
Algorithm should build text expressing matrix and classification expressing matrix according to Chinese character features in text,and build classification matrix through using LLS(Linear Least Square)technique.
算法根据文本中汉字的特征建立文本表示矩阵和类别表示矩阵,并通过线性最小二乘算法形成分类矩阵。
3.
from which we can get the optimal classification matrix directly without calculating the cluster center.
此法不需计算每类的聚类中心,而直接通过迭代求得最优分类矩阵,因此计算量比Fuzzy ISODATA方法要少。
4) matrix classification
矩阵分类
1.
In this paper, the authors briefly sum up some works and r ecent developments on matrix classification and its applications over finite loc al rings.
简述了有限局部环R上矩阵分类及应用研究的一些工作及进展情况 ,指出了开展有限局部环上矩阵的分类及应用研究的背景、作用和意义 。
2.
The convergence analysis and Delphi were employed to determine the index weights and the mutually-exclusive matrix classification was applied to determine regionalization by land development suitability.
研究方法:运用收敛分析法和特尔菲测定法确定指标权重,采用互斥性矩阵分类法确定土地开发适宜性分区。
5) sort clause
分类阵列
6) conflicted matrix
排斥矩阵
补充资料：列联表
观测数据按两个或更多属性（定性变量）分类时所列出的频数表。例如，对随机抽取的1000人按性别（男或女）及色觉（正常或色盲）两个属性分类，得到二行二列的列联表（表1），又称2×2表或四格表。
一般,若总体中的个体可按两个属性A与B分类，A有r个等级A1,A2,...,Ar；B有с个等级B1,B2,...,Bc,从总体中抽取大小为n的样本设其中有nij个属于等级Ai和Bj，nij称为频数，将r×с个nij(i=1,2,...,r;j=1,2,...,с)排列为一个r行с列的二维列联表（表2），简称r×с表。若所考虑的属性多于两个，也可按类似的方式作出列联表,称为多维列联表。由于属性或定性变量的取值是离散的,因此多维列联表分析属于离散多元分析的范畴,列联表分析在应用统计，特别在医学、生物学及社会科学中，有重要的应用。
列联表分析的基本问题是，判明所考察的各属性之间有无关联，即是否独立。如在前例中，问题是：一个人是否色盲与其性别是否有关？在 r×с表中，若以pi·、p·j 和pij分别表示总体中的个体属于等级Ai，属于等级Bj和同时属于Ai、Bj的概率（pi·, p·j称边缘概率，pij称格概率）,"A、B两属性无关联"的假设可以表述为H0：pij=pi·p·j，(i＝1，2，...,r；j＝1,2,...,с)，未知参数 pij、pi·、p·j的最大似然估计（见点估计）分别为分别为行和及列和（统称边缘和）；为样本大小。根据K.皮尔森(1904)的拟合优度检验或似然比检验（见假设检验）,当h0成立，且一切 pi·>0和p·j>0时，统计量的渐近分布是自由度为 (r－1)(с－1) 的ⅹ2分布，式中Eij＝ni·n·j/n 称为期望频数。当n足够大，且表中各格的Eij都不太小时,可以据此对h0作检验：若ⅹ2值足够大，就拒绝假设h0，即认为A与B有关联。在前面的色觉问题中，曾按此检验，判定出性别与色觉之间存在某种关联。
若样本大小n不很大,则上述基于渐近分布的方法就不适用。对此，在四格表情形，R.A.费希尔(1935)提出了一种适用于所有 n的精确检验法。其思想是在固定各边缘和的条件下，根据超几何分布（见概率分布），可以计算观测频数出现任意一种特定排列的条件概率。把实际出现的观测频数排列，以及比它呈现更多关联迹象的所有可能排列的条件概率都算出来并相加，若所得结果小于给定的显著性水平，则判定所考虑的两个属性存在关联，从而拒绝h0。
在判定变量之间存在关联性后，可用多种定量指标来刻画其关联程度。例如，对一般的r×с表，可用列联系数表示之。
对一般的r×с表，特别是在多维表分析中，若无关联性（即独立性）的假设被拒绝，则通常还需要检验进一步的假设。例如对三维表，可能需要考虑一个变量是否与另外两个变量独立。对这类局部独立性的检验仍可用大样本的ⅹ2检验法。但是在多维情形，变量之间的关联性可能相当复杂。许多假设，直接用格概率表示是不方便的。一种处理方法是仿照线性统计模型，将格概率（或期望频数）的对数表示成各变量的主效应及各阶交互效应等未知参数的线性形式。这种模型称为对数线性模型，在此模型下，变量独立性的假设等价于交互效应等于零的假设。此外，还可以利用对数线性模型，根据实际观测频数，对各种具体模型进行拟合，并对各未知参数进行估计。估计的方法一般采用最大似然方法。由于这一类似然方程的解常无显式表示，通常需用迭代法求解，计算工作量很大。因此，多维列联表分析只在近代高速电子计算机的使用日益普及的情况下，才得到较为充分的发展，逐渐达到可以实际应用的程度。
参考书目
Y.M.M.Bishop,S.E.Fienberg and P.W.Holland,Discrete Multivariate Analysis, Theory and Practice,MIT Press, Cambridge, 1975.
M.Kendall and A. Stuart,The Advanced Theory of Statistics,4th ed., Vol. 2, Charles Griffin, London, 1979.
一般,若总体中的个体可按两个属性A与B分类，A有r个等级A1,A2,...,Ar；B有с个等级B1,B2,...,Bc,从总体中抽取大小为n的样本设其中有nij个属于等级Ai和Bj，nij称为频数，将r×с个nij(i=1,2,...,r;j=1,2,...,с)排列为一个r行с列的二维列联表（表2），简称r×с表。若所考虑的属性多于两个，也可按类似的方式作出列联表,称为多维列联表。由于属性或定性变量的取值是离散的,因此多维列联表分析属于离散多元分析的范畴,列联表分析在应用统计，特别在医学、生物学及社会科学中，有重要的应用。
列联表分析的基本问题是，判明所考察的各属性之间有无关联，即是否独立。如在前例中，问题是：一个人是否色盲与其性别是否有关？在 r×с表中，若以pi·、p·j 和pij分别表示总体中的个体属于等级Ai，属于等级Bj和同时属于Ai、Bj的概率（pi·, p·j称边缘概率，pij称格概率）,"A、B两属性无关联"的假设可以表述为H0：pij=pi·p·j，(i＝1，2，...,r；j＝1,2,...,с)，未知参数 pij、pi·、p·j的最大似然估计（见点估计）分别为分别为行和及列和（统称边缘和）；为样本大小。根据K.皮尔森(1904)的拟合优度检验或似然比检验（见假设检验）,当h0成立，且一切 pi·>0和p·j>0时，统计量的渐近分布是自由度为 (r－1)(с－1) 的ⅹ2分布，式中Eij＝ni·n·j/n 称为期望频数。当n足够大，且表中各格的Eij都不太小时,可以据此对h0作检验：若ⅹ2值足够大，就拒绝假设h0，即认为A与B有关联。在前面的色觉问题中，曾按此检验，判定出性别与色觉之间存在某种关联。
若样本大小n不很大,则上述基于渐近分布的方法就不适用。对此，在四格表情形，R.A.费希尔(1935)提出了一种适用于所有 n的精确检验法。其思想是在固定各边缘和的条件下，根据超几何分布（见概率分布），可以计算观测频数出现任意一种特定排列的条件概率。把实际出现的观测频数排列，以及比它呈现更多关联迹象的所有可能排列的条件概率都算出来并相加，若所得结果小于给定的显著性水平，则判定所考虑的两个属性存在关联，从而拒绝h0。
在判定变量之间存在关联性后，可用多种定量指标来刻画其关联程度。例如，对一般的r×с表，可用列联系数表示之。
对一般的r×с表，特别是在多维表分析中，若无关联性（即独立性）的假设被拒绝，则通常还需要检验进一步的假设。例如对三维表，可能需要考虑一个变量是否与另外两个变量独立。对这类局部独立性的检验仍可用大样本的ⅹ2检验法。但是在多维情形，变量之间的关联性可能相当复杂。许多假设，直接用格概率表示是不方便的。一种处理方法是仿照线性统计模型，将格概率（或期望频数）的对数表示成各变量的主效应及各阶交互效应等未知参数的线性形式。这种模型称为对数线性模型，在此模型下，变量独立性的假设等价于交互效应等于零的假设。此外，还可以利用对数线性模型，根据实际观测频数，对各种具体模型进行拟合，并对各未知参数进行估计。估计的方法一般采用最大似然方法。由于这一类似然方程的解常无显式表示，通常需用迭代法求解，计算工作量很大。因此，多维列联表分析只在近代高速电子计算机的使用日益普及的情况下，才得到较为充分的发展，逐渐达到可以实际应用的程度。
参考书目
Y.M.M.Bishop,S.E.Fienberg and P.W.Holland,Discrete Multivariate Analysis, Theory and Practice,MIT Press, Cambridge, 1975.
M.Kendall and A. Stuart,The Advanced Theory of Statistics,4th ed., Vol. 2, Charles Griffin, London, 1979.
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