1) Multi-dependent variables Cyclic Subspace Regression
多因变量循环子空间回归
2) Multi-Cyclic subspace Regression
多元循环子空间回归
3) cyclic subspace regression
循环子空间回归
1.
A new approach, radial basis functions-cyclic subspace regression (RBF-CSR), was proposed based on the analyzing radial basis functions-patial least squares (RBF-PLS).
径向基循环子空间回归(RBFCSR)网络,保留了径向基偏最小二乘(RBFPLS)网络的优点,且可在更广的范围内选择最优模型,但仍存在着参数难以确定,计算量大等问题。
2.
Radial basis function-cyclic subspace regression (RBF-CSR) approach is a rapid one-step modeling method, escaping the difficulty of ANN architecture design.
径向基函数循环子空间回归(RBFCSR)是一种有效的非线性网络模型,以高斯条为基函数,性能更优,但其参数多,且难以选定,将显著影响模型性能。
3.
The radial basis function networks (RBFN) was combined with the cyclic subspace regression (CSR) in this paper, and a modeling approach by RBFN-CSR was designed.
本文将径向基函数网络(RBFN)与循环子空间回归(CSR)相结合,设计了RBFN-CSR建模方法。
4) Recursive invariant subspace
循环不变子空间
1.
Recursive invariant subspace is one of the important mathematic tools used in control science and signal processing theory.
循环不变子空间是常用于控制科学和信号处理理论的重要数学工具之一。
6) Multi-Dependent variable Regression Model
多个因变量回归模型
补充资料：变量与变量值
可变的数量标志和所有的统计指标称作变量。变量的数值表现称作
变量值，即标志值或指标值。变量与变量值不能误用。
变量值，即标志值或指标值。变量与变量值不能误用。
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