1) trajectory analysis and learning
轨迹分析与学习
2) trajectory analysis
轨迹分析
1.
The possible origins and immigrant pathways of the white-backed planthopper (WPH) Sogatella furcifera (Horvth) in the middle reaches of the Yangtze River were investigated with trajectory analysis.
根据 1977～ 1979年 3a的 7月份飞机航捕白背飞虱Sogatellafurcifera (Horv th)资料 ,应用轨迹分析模型 ,得出了长江中游稻区夏季迁入白背飞虱的中尺度虫源地及迁入路径如下 :1。
2.
The possible sources and immigrant pathways of the brown planthopper (BPH),Nilaparvata lugens(St*[l), in the middle reaches of the Yangtze River were investigated by the means of trajectory analysis.
根据 1977～ 1979年 3年的 7月份飞机航捕褐飞虱Nilaparvatalugens的资料 ,应用轨迹分析模型 ,得出了长江中游稻区夏季迁入褐飞虱的中尺度虫源地及迁入路径。
3.
The meteorological data on the mid-and small-size population source regions (such as Nanning and Shaoguan) which were determined or found out by trajectory analysis were used to predict the peek date of immigration and the adult number about one or two months ahaed of the practical occurrence in seven representative counties in Huaihe and Changjiang rice areas.
利用江淮稻区稻纵卷叶螟轨迹分析所确定的中、小尺度范围虫源地（南宁、韶关等）气象资料，对该稻区７个代表地点迁入代的迁入高峰日、高峰日蛾量和世代累计蛾量作了中期异地预测，组建了逐步回归模型，依此可以提前１～２月作出预报，各代表地点的预测准确率均超过了７０％。
3) population status and trajectory analysis
虫源性质与轨迹分析
4) trajectory analysis method
轨迹分析法
1.
This paper proposes an algorithm for the sensitivity of stable index to assesse the generator active power output based on trajectory analysis method and trajectory sensitivity.
轨迹分析法是电力系统暂态稳定分析的有效方法,能定量给出反映稳定程度的稳定指标和不稳定指标。
5) root locus analysis
根轨迹分析
6) impedance track analysis
阻抗轨迹分析
1.
The impedance track analysis software is programmed by Visual C++6.
电网故障阻抗轨迹动态分析(简称阻抗轨迹分析)是基于故障时刻智能电子设备(IED)及故障录波器记录下的COMTRADE文件,对录波文件智能解析,采用全周差分傅氏算法及阻抗向量计算法,逐点计算ZA、ZB、ZC、ZAB、ZBC、ZAC6种阻抗值,依据各阻抗值及设置的门槛值在PC机上动态绘制阻抗轨迹。
补充资料：分析学习
分析学习
analytic learning
手段，利用现有知识对问题进行分析求解来获取知识和经验的一种学习方法。80年代开始，机器学习研究进人了一个蓬勃发展的时期，出现了各具特色的一些学习方法和系统。人们在研究中发现有些学习方法在某些方面具有共性，例如解释学习，事例学习，类比学习等。它们的共同特点是:依靠大量已有的知识，且以演绎手段为主。人们把这一类方法统称为分析学习。分析学习是与归纳学习、遗传学习、连接机制学习等并列的一类机器学习方法。 基于解释的学习(EBL)一种从单例出发利用领域知识进行分析学习的方法。EBL系统解释为什么一个特定的例子是一个概念的实例，然后将这个解释概括成可操作的概念识别规则。从例子学习长期以来是机器学习领域的研究重点。EBL即是一种示例学习的方法，但它与早期的示例学习方法有很大的差别。早期的示例学习研究主要集中在归纳方法上，从大量例子中抽取概括它们共同的特征，这种归纳方法是基于经验的、数据密集型的方法，缺乏知识的指导。80年代以来，许多研究工作集中到分析的方法上来，例子不再被看作是孤立的特征集合，而是放在领域知识背景下进行处理。EBL能够通过分析从单例中抽象出概念的描述，而这种分析过程是由领域知识引导的。例子的解释过程确定了例子中与概念相关的特征，这些相关特征构成了概念的充分条件。由E13L概括而生成的概念描述使得对以后的例子的识别更方便、有效。因此EBL从本质上说是基于演绎的、知识密集型的学习方法。EBL代表了人工智能研究向基于知识的系统转变的一般趋势。EBL的发展演变是许多学者共同努力的结果，最早可以追溯到早期的分析学习程序，如grRIPS，HACKER等，这些程序通过以往的经验来改善系统的执行。但这些工作并没有系统地探讨这种分析式的学习方法。直到80年代初，一些学者如1润ong等分别独立地在各自不同的应用领域中对这种学习方法进行了研究，强调了基于知识的单例学习。最后，一系列的比较、综述性的文章试图将这些工作统一到一种单一的学习方法之中。1986年块-jong提出了日3L这个术语用来命名这种学习方法。在以后的一段时间里EBL成为机器学习中的研究热点。Mitchell阐述了EBL的一种学习算法—El弘弓学习算法，该算法内容如下。 已知: 目标概念以高级形式或功能特性描述的某个概念的定义，它不能直接用于目标概念的实例的识别。 训练例子以低级特性描述的目标概念的一个实例。 领域知识是推理规则和事实集，用于证明训练例子是否是目标概念的实例。 可操作性准则为使目标概念能被有效识别而规定的概念定义的表达形式。
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