1) adaptive model generator
自适应模型产生器
2) self-adapting biological model
自适应生物模型
3) adaptive model generation
自适应模型生成
1.
The data mining-based adaptive model generation(AMG) is introduced.
基于数据挖掘的自适应模型生成Adaptive Models Generation)提供了一个基于数据挖掘的实时入侵检测结构;文章根据结构设计原则,用开源的Snort从网络中提取一定数据,进行简单入侵分析,并把分析结果用可视化界面反映出来。
4) model adaptation
模型自适应
1.
Robust face recognition by Gabor features and model adaptation;
基于Gabor小波和模型自适应的鲁棒人脸识别方法
2.
In this paper, a new algorithm called Target Driven based multiple layer maximum likelihood linear regression (TMLLR) is proposed for model adaptation in speech recognition.
本文在对语音识别中基于自适应回归树的极大似然线性变换 (MLLR)模型自适应算法深刻分析的基础上 ,提出了一种基于目标驱动的多层MLLR自适应 (TMLLR)算法。
5) Self-adaptive model
自适应模型
1.
The predictor-corrector method of step length based on self-adaptive models;
基于元件自适应模型的步距预测——校正方法
2.
According to dynamic characteristics of the power system, this paper unites these models of transformer, and makes use of OOP to build the self-adaptive model.
在此基础上,根据不同暂态阶段的动态特性将上述模型相结合,应用面向对象技术建立了适合暂态全过程仿真的变压器自适应模型。
3.
The transient self-adaptive models of elements are built that are suitable for a rather long period of simulation of complex transient for realizing self-adaptive transform based on the state of the element.
首先建立了元件的暂态自适应模型,实现了基于元件状态的自适应变换,适合较长时间复杂暂态过程的仿真。
6) Adaptive model
自适应模型
1.
The adaptive model for prediction of surface subsidence is based on the neural networks.
基于神经网络的地表沉陷预测自适应模型，具有自组织、自学习和自适应功能，通过严格的训练和知识积累，该模型具有很好的预测、推理能力。
2.
An adaptive model of stands was established based on the theory of Granger and a study of the two important stand factors —— bust diameter and tree height.
对两个林分因子——个胸径和树高进行G ranger因果关系分析的基础上,根据G ranger理论,建立了基于协整系统的林分因子自适应模型。
3.
The Primal-Dual method was used to solve the adaptive model.
为了克服L2范数的去噪模型不能保持图像边缘和L1范数的总变差(total variation,TV)模型容易引起梯子现象的缺陷,提出了一个基于Lp(1≤p≤2)范数的自适应模型,并且给出了自适应函数p(x,y)的构造公式。
补充资料：自适应滤波器
以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。自适应滤波器可以是连续域的或是离散域的。离散域自适应滤波器由一组抽头延迟线、可变加权系数和自动调整系数的机构组成。附图表示一个离散域自适应滤波器用于模拟未知离散系统的信号流图。自适应滤波器对输入信号序列x(n)的每一个样值，按特定的算法，更新、调整加权系数，使输出信号序列y(n)与期望输出信号序列d(n)相比较的均方误差为最小，即输出信号序列y(n)逼近期望信号序列d(n)。
20世纪40年代初期，N.维纳首先应用最小均方准则设计最佳线性滤波器，用来消除噪声、预测或平滑平稳随机信号。60年代初期，R.E.卡尔曼等发展并导出处理非平稳随机信号的最佳时变线性滤波设计理论。维纳、卡尔曼－波色滤波器都是以预知信号和噪声的统计特征为基础，具有固定的滤波器系数。因此，仅当实际输入信号的统计特征与设计滤波器所依据的先验信息一致时，这类滤波器才是最佳的。否则，这类滤波器不能提供最佳性能。70年代中期，B.维德罗等人提出自适应滤波器及其算法，发展了最佳滤波设计理论。
以最小均方误差为准则设计的自适应滤波器的系数可以由维纳-霍甫夫方程解得
(1)式中W(n)为离散域自适应滤波器的系数列矩阵(n)为输入信号序列x(n)的自相关矩阵的逆矩阵,Φdx(n)为期望输出信号序列与输入信号序列x(n)的互相关列矩阵。
B.维德罗提出的一种方法，能实时求解自适应滤波器系数，其结果接近维纳－霍甫夫方程近似解。这种算法称为最小均方算法或简称 LMS法。这一算法利用最陡下降法，由均方误差的梯度估计从现时刻滤波器系数向量迭代计算下一个时刻的系数向量
(2)式中憕[ε2(n)]为均方误差梯度估计，
(3)ks为一负数，它的取值决定算法的收敛性。要求，其中λ为输入信号序列x(n)的自相关矩阵最大特征值。
自适应 LMS算法的均方误差超过维纳最佳滤波的最小均方误差，超过量称超均方误差。通常用超均方误差与最小均方误差的比值（即失调）评价自适应滤波性能。
抽头延迟线的非递归型自适应滤波器算法的收敛速度，取决于输入信号自相关矩阵特征值的离散程度。当特征值离散较大时，自适应过程收敛速度较慢。格型结构的自适应算法得到广泛的注意和实际应用。与非递归型结构自适应算法相比，它具有收敛速度较快等优点。人们还研究将自适应算法推广到递归型结构；但由于递归型结构自适应算法的非线性，自适应过程收敛性质的严格分析尚待探讨，实际应用尚受到一定限制。
自适应滤波器应用于通信领域的自动均衡、回波消除、天线阵波束形成，以及其他有关领域信号处理的参数识别、噪声消除、谱估计等方面。对于不同的应用，只是所加输入信号和期望信号不同，基本原理则是相同的。
参考书目
R.A.Monzingo, T.W.Miller, Introduction to Adaptive Arrays, John Wiley and Sons,New York,1980.
20世纪40年代初期，N.维纳首先应用最小均方准则设计最佳线性滤波器，用来消除噪声、预测或平滑平稳随机信号。60年代初期，R.E.卡尔曼等发展并导出处理非平稳随机信号的最佳时变线性滤波设计理论。维纳、卡尔曼－波色滤波器都是以预知信号和噪声的统计特征为基础，具有固定的滤波器系数。因此，仅当实际输入信号的统计特征与设计滤波器所依据的先验信息一致时，这类滤波器才是最佳的。否则，这类滤波器不能提供最佳性能。70年代中期，B.维德罗等人提出自适应滤波器及其算法，发展了最佳滤波设计理论。
以最小均方误差为准则设计的自适应滤波器的系数可以由维纳-霍甫夫方程解得
(1)式中W(n)为离散域自适应滤波器的系数列矩阵(n)为输入信号序列x(n)的自相关矩阵的逆矩阵,Φdx(n)为期望输出信号序列与输入信号序列x(n)的互相关列矩阵。
B.维德罗提出的一种方法，能实时求解自适应滤波器系数，其结果接近维纳－霍甫夫方程近似解。这种算法称为最小均方算法或简称 LMS法。这一算法利用最陡下降法，由均方误差的梯度估计从现时刻滤波器系数向量迭代计算下一个时刻的系数向量
(2)式中憕[ε2(n)]为均方误差梯度估计，
(3)ks为一负数，它的取值决定算法的收敛性。要求，其中λ为输入信号序列x(n)的自相关矩阵最大特征值。
自适应 LMS算法的均方误差超过维纳最佳滤波的最小均方误差，超过量称超均方误差。通常用超均方误差与最小均方误差的比值（即失调）评价自适应滤波性能。
抽头延迟线的非递归型自适应滤波器算法的收敛速度，取决于输入信号自相关矩阵特征值的离散程度。当特征值离散较大时，自适应过程收敛速度较慢。格型结构的自适应算法得到广泛的注意和实际应用。与非递归型结构自适应算法相比，它具有收敛速度较快等优点。人们还研究将自适应算法推广到递归型结构；但由于递归型结构自适应算法的非线性，自适应过程收敛性质的严格分析尚待探讨，实际应用尚受到一定限制。
自适应滤波器应用于通信领域的自动均衡、回波消除、天线阵波束形成，以及其他有关领域信号处理的参数识别、噪声消除、谱估计等方面。对于不同的应用，只是所加输入信号和期望信号不同，基本原理则是相同的。
参考书目
R.A.Monzingo, T.W.Miller, Introduction to Adaptive Arrays, John Wiley and Sons,New York,1980.
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