1) discrete Gaussian kernel
离散高斯核
2) discrete kernel
离散核
1.
Automatic text categorization with discrete kernel-based support vector machine;
基于离散核支持向量机的文本自动分类
2.
‖u‖≤C‖g‖ where Ω(h) and Ω(H) are BochnerMartinelli kernel and discrete kernel respectively.
利用 Lin Liangyu构造的 cn空间上有界域上的局部全纯的离散核及相应的可微分函数的积分表示这一结果 ,克服了 -方程 u =g在一般有界域上不存在具有整体全纯核的积分表示这个困难 ,得到有界域上 -方程的具有离散核的两种不同性质的解及其解的估
3) Gaussian kernel
高斯核
1.
Gaussian kernel-based dynamic clustering algorithm
一类基于高斯核的动态聚类算法研究
2.
The Gaussian kernel mean-shift algorithm which is deduced from kernel density estimation has not been widely employed in applications because of its low convergence rate.
由核密度估计推导获得的高斯核均值漂移算法因收敛速度慢在应用中效率不高。
3.
In classification by support vector machines with the Gaussian kernel, the kernel width defines the generalization scale in the pattern space or in the feature space.
支持向量分类时,由于样本分布的不均匀性,单宽度的高斯核会在空间的稠密区域产生过学习现象,在稀疏区域产生欠学习现象,即存在局部风险。
4) Gauss kernel
高斯核
1.
Gauss kernel function is widely used in support vector machine because of its good properities.
支持向量机(SupportVectorMachine,SVM)是近几年发展起来的机器学习新方法,以高斯核为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛应用于模式分类中。
2.
Gauss kernel function is widely used in support vector machines (SVM) because of its good properties.
高斯核函数因其良好的性态，在新近提出的学习机器——支撑向量机中得到广泛的应用，以高斯核为其核函数的支撑向量机在实际应用中表现出良好的学习性能。
3.
Based on the repurchasing rate of government bonds in the Shanghai stock market,the nonparametric term structure model of interest rates has been estimated by using four different kernel functions: the Gauss kernel function,the Epanechnikov kernel function,a quartic kernel function and a six-power kernel function.
给出了用非参数方法估计利率期限结构的过程,并以上海证券交易所的国债回购利率数据为样本,采用4种不同核函数:高斯核、抛物线核、四次方核和六次方核对利率期限结构模型进行估计。
5) width of gauss kernel
高斯核宽
1.
Due to the limit of width of gauss kernel in fuzzy kernel clustering(KFCM) for infrared segmentation,a new algorithm of KFCM clustering based on changed kernel using type-2 fuzzy is proposed for segmentation.
首先由5倍交叉验证初步确定核宽范围;然后根据类与类之间的距离最小值和最大值定义了一种高斯核宽的采样规则,进而分别由这些高斯核宽从模糊核聚类迭代公式中获得隶属度集合和聚类中心集合;最后采用二型模糊融合这个隶属度集合,从而完成聚类分割。
补充资料：离散时间周期序列的离散傅里叶级数表示
(1)
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
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