1) broad maximum entropy
广义极大熵
2) generalized maximum entropy
广义最大熵
1.
IA new method based on generalized maximum entropy is applied in estimating parameters of structural equation model,which is meant for situations with limited or incomplete data.
提出应用广义最大熵的方法对结构方程模型的参数进行估计,该方法能够处理有限的或者不完全数据。
2.
Aiming at generalized maximum entropy(GME) regression effect and especially the indetermination of the choice of support space of parameter and error in the model,the modelling process of GME regression method is analyzed,and its regression effect is compared with others effects through two cases in this paper.
针对广义最大熵回归方法的建模效果问题,尤其是模型中未知参数和误差项支持空间选择的不确定性问题,该文剖析了该方法的建模过程,并通过两个实例将该方法与其它建模方法的回归效果进行了对比分析。
3.
In this paper,a new method for limited or incomplete data based on generalized maximum entropy is applied to measure customer satisfaction.
本文提出了应用广义最大熵(Generalized Maximum Entropy,简称GME)的方法对顾客满意度进行测评,该方法能够处理有限的或者不完全数据。
3) generalized maximum entropy principle
广义最大熵原理
1.
The data from 2005 annual reports of 10 listed agriculture machine appliance companies on Shanghai and Shenzhen Stock market are adopted to evaluate their comprehensive strength based on the generalized maximum entropy principle and optimization theory.
提取沪深股市10家农业机械行业上市公司的2005年报的数据,采用了基于广义最大熵原理和优化理论的赋权评价方法,对农机上市公司综合实力进行了综合评价。
2.
Especially in order to give index s weight correctly,a new method is put forward based on the generalized maximum entropy principle and optimization theory.
特别针对指标权重的确定问题,提出了基于广义最大熵原理和优化理论新的赋权方法。
3.
The generalized maximum entropy principle which can integrate various weight determination methods is applied to obtain the weight of multi-index in dam safety synthetic appraisal.
针对大坝安全综合评价中多指标权重的确定问题,将熵理论引入大坝安全综合评价中,应用广义最大熵原理,将不同赋权方法有机集成在一起确定大坝安全评价中多指标权重。
4) MGEP
最大广义熵原理
1.
Physical laws for the evolution dynamics of ecosystem are expressed as the Maximum Generalized Entropy Principle (MGEP), that is to say, every ecosystem always follows an optimization process so that the generalized entropy of the whole ecosystem is maximal under given constraints, i.
本文定义了生态系统的"广义熵",指出控制生态系统演化动力学的物理学法则是"最大广义熵原理",即系统总是寻找一种优化过程使得在给定的约束或代价下广义熵最大,即总是使自身得到最大限度的发展。
5) maximum generalized inverse
极大广义逆
1.
Relations tetween generalized inverse,maximum generalized inverse and reciprocal generalized inverse were obtained.
主要给出了布尔群代数BG中的元有广义逆的充要条件及广义逆的结构定理 ,给出了求全部广义逆的一种算法 ,并指出了广义逆、极大广义逆与互反的广义逆间的关系 。
6) general entropy
广义熵
1.
The general entropy formulation and variance analysis of wood density for triploid clones of \%Populus tomentosa;
三倍体毛白杨无性系木材密度分布的方差分析和广义熵表述
2.
A new computation method of Kolmogorov entropy based on the concept of general entropy was used to extract the complexity of time series in order to characterize the oil/water two phase flow patterns,and was proved reliable by an example of the Mackey-Glass Equation.
采用一种基于广义熵概念的Kolmogorov熵计算方法来提取时间序列的复杂性特征 ,进而对油水两相流流型进行表征 ,用Mackey Glass方程作算例验证了该复杂性特征提取方法的可靠性 。
3.
The paper puts forward a comprehensive general entropy model that includes the evaluation expert weights,and developes a computer support system combined with practice,in order to assist the alliance host making decisions.
本文在广泛调研的基础上,提出包含评价专家自身权重的广义熵综合评价模型,并结合实例开发出计算机遴选支持系统,以辅助盟主企业进行决策。
补充资料：极大熵谱估计
估计平稳随机过程功率谱密度的方法，这种方法在外推时能使自相关函数在未知点的取值具有最大统计自由度。J.P.伯格于1967年首先提出这种方法并把它称为极大熵谱估计。极大熵谱估计最初应用于地球物理学领域地震记录数据的分析，后来在雷达、声纳、图像处理、语言分析以及生物医学等领域都有广泛的应用。
在统计学中，熵是对各种随机试验不确定程度的一种度量。概率分布的熵越大、试验的可能结果越不确定。伯格的思想是要在外推相关函数的每一步，都既能保证相关函数的已知部分不变，又能在新增加外推值之后使概率分布具有最大的熵；也就是在每步外推时不对未知点处自相关函数取值施加任何限制（即其取值具有最大统计自由度，不对它强加任何条件）。极大熵谱估计的这种特点能克服传统的功率谱估计方法分辨率不高的弱点。在理论上，过程的功率谱是自相关函数的傅里叶变换。传统的功率谱估计方法是将样本自相关函数乘以某种窗函数(即对自相关函数加权)，然后再作傅里叶变换。窗函数可以增加谱估计的稳定性并减少谱的泄漏，但窗函数会限制谱的分辨力。传统方法存在的问题实际上是由于它把没有观测到的数据（或其自相关函数）都看作为零，同时对已知部分的信息加以人为修改（加权）而引起的。而极大熵谱估计对已知的最大迟延以外的自相关函数进行合理的外推，因而能提高所求功率谱的分辨力，特别是在已知数据量较少时，其效果比传统方法更优。
假设一个平稳正态过程自相关函数的前N+1个迟延点的值r(0)，r(1)，...，r(N)已确知,需要求r(N+1)的值。以r(0)，r(1)，...,r(N+1)作为相关函数，则对应的N+2维正态分布的熵为
其中R(N+1)为相关阵：
因此使熵为最大就相当于使行列式 det[R(N+1)]为最大。可以使det[R(N+1)]对r(N+1)的偏导数为零,求出r(N+1)。将得到的r(N+1)代入R(N+2),同理可根据使det[R(N+2)]为最大的条件求出r(N+2)。再把求到的r(N+1)和r(N+2)代入R(N+3)中的相应元素,对det[R(N+3)]求极大可得到r(N+3)，依此类推。
与这种方法得到的自相关函数所对应的功率谱为
式中i=刧,Δt是x(t)的采样间隔,ω为频率,M+1为递推次数，而A屌(a0,...,aM)T中各元素可由R(M)A＝(1,0,...,0)T 求得，T表示转置。
实际计算时，由于只掌握x(t)的有限记录而无法得知自相关函数的精确值，因此只能用它的估计值替代。伯格在求取r和A（参数向量）的估值方面还提出一种递推算法，它可以避免矩阵求逆，充分利用数据所提供的信息，而且递推过程每步所对应的行列式detR都是非负定的。后来又有其他学者提出新的算法，克服伯格算法中的缺点（如所谓谱线分裂和谱峰漂移），但算法的变化并不改变极大熵的原则。
在统计学中，熵是对各种随机试验不确定程度的一种度量。概率分布的熵越大、试验的可能结果越不确定。伯格的思想是要在外推相关函数的每一步，都既能保证相关函数的已知部分不变，又能在新增加外推值之后使概率分布具有最大的熵；也就是在每步外推时不对未知点处自相关函数取值施加任何限制（即其取值具有最大统计自由度，不对它强加任何条件）。极大熵谱估计的这种特点能克服传统的功率谱估计方法分辨率不高的弱点。在理论上，过程的功率谱是自相关函数的傅里叶变换。传统的功率谱估计方法是将样本自相关函数乘以某种窗函数(即对自相关函数加权)，然后再作傅里叶变换。窗函数可以增加谱估计的稳定性并减少谱的泄漏，但窗函数会限制谱的分辨力。传统方法存在的问题实际上是由于它把没有观测到的数据（或其自相关函数）都看作为零，同时对已知部分的信息加以人为修改（加权）而引起的。而极大熵谱估计对已知的最大迟延以外的自相关函数进行合理的外推，因而能提高所求功率谱的分辨力，特别是在已知数据量较少时，其效果比传统方法更优。
假设一个平稳正态过程自相关函数的前N+1个迟延点的值r(0)，r(1)，...，r(N)已确知,需要求r(N+1)的值。以r(0)，r(1)，...,r(N+1)作为相关函数，则对应的N+2维正态分布的熵为
其中R(N+1)为相关阵：
因此使熵为最大就相当于使行列式 det[R(N+1)]为最大。可以使det[R(N+1)]对r(N+1)的偏导数为零,求出r(N+1)。将得到的r(N+1)代入R(N+2),同理可根据使det[R(N+2)]为最大的条件求出r(N+2)。再把求到的r(N+1)和r(N+2)代入R(N+3)中的相应元素,对det[R(N+3)]求极大可得到r(N+3)，依此类推。
与这种方法得到的自相关函数所对应的功率谱为
式中i=刧,Δt是x(t)的采样间隔,ω为频率,M+1为递推次数，而A屌(a0,...,aM)T中各元素可由R(M)A＝(1,0,...,0)T 求得，T表示转置。
实际计算时，由于只掌握x(t)的有限记录而无法得知自相关函数的精确值，因此只能用它的估计值替代。伯格在求取r和A（参数向量）的估值方面还提出一种递推算法，它可以避免矩阵求逆，充分利用数据所提供的信息，而且递推过程每步所对应的行列式detR都是非负定的。后来又有其他学者提出新的算法，克服伯格算法中的缺点（如所谓谱线分裂和谱峰漂移），但算法的变化并不改变极大熵的原则。
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