1) BIC function
BIC函数
2) BIC score function
BIC评分函数
1.
Secondly,BIC score function and design framework of system are presented based on many documents about stochastic signal system.
针对动态数据挖掘问题,提出了一种平稳系统连续变量动态贝叶斯网络(Dynamic Bayesian Networks,DBN)结构学习模型,用于智能体的自主优化;首先给出了平稳系统连续变量结构学习的基本思路及假设条件,讨论了平稳系统连续变量DBN结构学习的模型设计问题;其次,在诸多随机过程系统文献的基础上,提出了系统的BIC评分函数,在有限时间T内的情况给出三个定义,并设计了学习的基本框架;最后,设计了平稳系统连续变量的实验模型并进行了仿真,结果表明,该模型能正确地学习出所设计的DBN结构。
3) associative BCI-algebras
结合BIC-代数
4) sub-algebras and ideals of BCI-algebras
BIC-代数的子代数及理想
5) BIC
BIC准则
6) BIC rule
BIC法则
补充资料:高斯函数模拟斯莱特函数
尽管斯莱特函数作为基函数在原子和分子的自洽场(SCF)计算中表现良好,但在较大分子的SCF计算中,多中心双电子积分计算极为复杂和耗时。使用高斯函数(GTO)则可使计算大大简化,但高斯函数远不如斯莱特函数(STO)更接近原子轨道的真实图象。为了兼具两者之优点,避两者之短,考虑到高斯函数是完备函数集合,可将STO向GTO展开:
式中X(ζS,A,nS,l,m)定义为在核A上,轨道指数为ζS,量子数为nS、l、m 的STO;g是GTO:
其变量与STO有相似的定义;Ngi是归一化常数:
rA是空间点相对于核A的距离;ci是组合系数;K是用以模拟STO的GTO个数(理论上,K→∞,但实践证明K只要取几个,便有很好的精确度)。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS=1 时固定K值的ci和(i=1,2,...,K),然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数,而且,ci不依赖于ζS,因而ζS=1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
式中X(ζS,A,nS,l,m)定义为在核A上,轨道指数为ζS,量子数为nS、l、m 的STO;g是GTO:
其变量与STO有相似的定义;Ngi是归一化常数:
rA是空间点相对于核A的距离;ci是组合系数;K是用以模拟STO的GTO个数(理论上,K→∞,但实践证明K只要取几个,便有很好的精确度)。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS=1 时固定K值的ci和(i=1,2,...,K),然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数,而且,ci不依赖于ζS,因而ζS=1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
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