1) generalized self-correlation
广义自相关性系数
2) generalized self-correlation coefficient
广义自相关系数
1.
The relational concep-tions on generalized interval,is given,the universal logic self-correlation of exponential distributing is studied,the corresponding N-norm,N-generator is given,the relationships among N-norm s fixed point,generalized self-correlation coefficient,and parameter is discussed.
给出了广义区间,上的相关概念,研究了指数分布的泛逻辑自相关性,给出了指数分布对应的N范数、N性生成元,讨论了N范数不动点及广义自相关系数与指数分布参数之间的关系。
3) generalized autocorrelation functions
广义自相关函数
1.
Firstly, the properties of generalized Walsh spectrum and the generalized autocorrelation functions were presented.
首先给出了多输出旋转对称函数的广义一阶Walsh线性谱特征和广义自相关函数特征;然后通过构造关联矩阵,利用多输出旋转对称函数的广义一阶Walsh循环谱,给出了多输出旋转对称函数满足平衡性、相关免疫性等密码学性质的充分必要条件,特别利用矩阵的取值特点,给出了函数满足一阶相关免疫性的等价判别条件;最后讨论了奇数变元多输出旋转对称函数广义一阶Walsh循环谱的性质,并给出了一种通过计算一部分循环谱值来寻找奇数变元多输出Plateaued旋转对称函数的方法,相对于算出全部的循环谱值减少了约1/2的计算量,提高了效率。
4) general self-correlation
广义自相关性
1.
Based on the principle of Universal Logics,this paper proposes a novel flexible neuro-fuzzy inference sys-tem,which uses general correlation and general self-correlation between propositions to explain the reasoning form to change in succession and the measuring errors of the membership grades of fuzzy proposition,respectively.
该文基于泛逻辑学提出一种新颖的柔性神经模糊推理系统,用命题间的广义相关性和广义自相关性去解释系统推理模式的连续可变,以及命题真值的测量误差,以期实现真正的智能控制系统,并采用了将进化规划同生物免疫思想中的浓度机制及多样性保持策略相结合的免疫进化规划学习算法,自适应地学习系统参数。
5) generalized relative coefficient
广义相关系数
1.
And gives the relation between the generalized relative coefficient and is given.
该文从最大特征根出发,定义了相对效率e4(β),研究了当设计矩阵X满秩,协方差阵Σ正定时e4(β)的下界为δpλn-p+1/(δ1λ1),讨论了e4(β)与广义相关系数ρz(3)之间的关系。
2.
The paper gives a lower bound and a relation with the generalized relative coefficient where the design matrix is nonsingular in the model.
给出了当设计矩阵满秩,协方差阵非负定时这种新的相对效率的下界,研究了新的相对效率与广义相关系数之间的关系。
3.
Study is made on its lower bound and the relation with the generalized relative coefficient.
对线性模型的最小二乘估计(LSE)与最佳线性无偏估计(BLUE)定义了一种新的相对效率,新的相对效率定义为最小特征根的比值,之后研究了它的下界及它与广义相关系数之间的关系。
6) generalized correlation coefficient
广义相关系数
1.
Non-linear generalized correlation coefficient of biology trait;
一种度量生物性状非线性相关性的广义相关系数
2.
We propose selecting more meaningful assocation rules from those already discovered by the original Apriori algorithm; the selection is done by merging generalized correlation coefficient with Apriori algorithm.
为了达到这个目标 ,将泛逻辑中的广义相关系数与 Apriori算法相结合。
3.
Thus, we get the relationship between generalized correlation coefficient which is about random vector with and generalized correlation coefficient which is about random vect.
对于不同类型的矩阵A和B,讨论了随机向量x和y的典型相关系数与Ax和By的典型相关系数之间的关系,从而得到了x和y的广义相关系数与Ax和By的广义相关系数之间的关系。
补充资料：Kendall等级相关系数
Kendall等级相关系数
ion Kendall coefficient of rank correla-
Kd山u等级相关系数「E曰吐山以吧伍d句t of.”血伪川如.d佣;Ke”皿姗a劝，帅胭“e，TP朋ro“0‘ICOPpe几.朋毗」 两个随机变量(特征)X和Y间相依关系的样本度量之一，基于样本元素(戈，Y.)，二，(Xn，玖)的等级评定.这样，众n山山等级相关系数属于秩统计量(mllksta比tic)并且定义为 25 f r.·…r_、 ”Ln一1)其中;，是在X秩为i的数偶(X，y)中Y的秩、S二ZN一”(。一l)/2，N是样本中]>i和r，>r‘同时成立的元素个数.总有一1簇t《1.M.R上以坛U广泛使用K淤nd目等级相关系数做相依性度量(见〔1」). Ken山山等级相关系数被用于检验随机变量独立的假设.如果独立性的假设成立，则云二0，DT“2(2n十5)/〔gn(”一l)1.当样本容量较小时(4蛋n镬10)，独立性假设的统计检验借助于专门的数表(见【31〕来进行.当衬>10时，利用:的分布的正态逼近二如果 ，·，>一擂离，则否定关于独立的假设，否则接受假设.这里，:是显著性水平，。司:是标准正态分布的100(:/2)百分位点.像任何秩统计量一样，KendaU等级相关系数可以用于揭示两个属性特征的相依性，只要样本的元素可以按这些特征评定等级，如果X和Y有联合正态分布且相关系数为p，则p与Kendal丈等级相关系数有如下关系: _2 七T=一atcsmP· 兀亦见S碑ar田叨等级相关系数(s户汾m曰n cocfficientof几mk eorlehaion);秩检验(mnk此0.
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