2) projection neural network
投影神经网络
1.
By making use of variational inequality and Kuhn-Tucker conditions,we develop a projection neural network for solving degenerate quadratic programming problems with general linear constraints.
借助变分不等式和Kuhn-Tucker条件,构造了一类投影神经网络求解线性约束的退化凸二次规划问题。
3) alternating projection
交替投影
1.
Seismic weak information separation by alternating projection neural networks
利用交替投影神经网络进行地震弱信息分离
2.
After studying alternating projection neural networks proposed by MarksⅡ etc.
首先对 Marks 等人提出的交替投影神经网络进行了研究 ,将其应用范围从实数域拓广到复数域 ,并证明了其稳态收敛性 ;接着研究了复数域中的交替投影神经网络 (不妨称此情形下的网络为复交替投影神经网络 ) ,得到了几个有用结论 ,并从数学上对这些结论进行了严格证明 ;最后 ,为了验证文中物理分析的正确性 ,设计了一个仿真实验 ,仿真实验结果表明文中的理论与实验结果完全吻合。
3.
By studying the discrete Fourier transform properties of the band limited digital signal,the authors introduce alternating projection neural networks into the paper,expand APNN s application scope from real field to complex field,and present several important conclusions on APNN.
本文通过对频带受限数字信号的离散傅立叶变换特性的研究 ,引进了交替投影神经网络 ,并将其应用范围从实数域拓广到复数域 ,且给出了在复数域仍然成立的若干结论 。
4) coupling model with neural network and projection pursuit
神经网络投影寻踪耦合模型
1.
The method of coupling model with neural network and projection pursuit is an ideal tool to deal with the problem of nonlinearity,and it is very steady,but can not ideally solve the problems of multicolline.
投影寻踪神经网络耦合模型是处理非线性问题的有力工具,而且神经网络投影寻踪耦合模型稳健性高,但不能较好地处理自变量间多重线性相关性问题。
5) orthogonal neural network
正交神经网络
1.
A novel adaptive nonlinear observer with a compensator based on orthogonal neural networks is designed for a class of chaotic system where the nonlinear portion of the structure can not be evaluated.
针对一类结构部分未知混沌系统,设计了一种含有补偿器的自适应正交神经网络非线性观测器。
2.
This paper presents a dynamic modeling method based on orthogonal neural network.
本文提出一种正交神经网络的动态建模方法 ,它充分利用了 Tchebycheff多项式的非线性处理能力和 Givens正交变换的有效处理大型稀疏问题的优点 ,不仅能快速进行网络的训练 ,而且能对网络的结构进行优化 ,为非线性系统的动态建模提供了一种有效方法 。
补充资料：滤波反投影或卷积反投影
滤波反投影或卷积反投影
影像学术语。当代影像学设备进行影像重建的数学方法。在直接用扫描后所获得的投影轨迹剖面图反投影重建出的CT图像中，无法避免角度卷入条纹伪影(angular aliasing streaks)造成的模糊和失真。这种现象与被扫描层面的空间频率中高频信息的损失有关。使用一种精密的数学方法去除这种模糊。称为“展现”(unfolding)或去卷积(deconvolution)，即在反投影前使用一种数学的“滤器”或卷积函数对原始数据进行修正，然后再进行反投影。两步数学处理过程合称为滤波(修正后)反投影或卷积(后)反投影。这种方法的优点是处理过程简单，速度快，所得图像逼真、清晰。
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