2) Relational function estimating
相关函数估算
4) evaluation function
评估函数
1.
Adaptive genetic algorithm for evaluation function parameters optimization in game problem
优化博弈问题评估函数参数的自适应遗传算法
2.
This paper introduces the text feature extraction method, analyses and evaluates the advantage and disadvantage of some kind of evaluation function.
文中首先介绍了基于评估函数的文本特征抽取方法,分析评价了各种评估函数的优缺点,最后提出了一种利用特征抽取对文本信息进行过滤的方法,并说明如何使用评估函数对权重函数进行改进。
3.
The game system is divided into four parts: searching engine,move generator,evaluation function,and opening book.
将博弈问题分解为搜索引擎、走法生成、评估函数和开局库四大模块,然后将自适应遗传算法引入到评估函数中,通过锦标赛算法对评估函数中的参数组合进行自动调整和优化。
5) estimable function
可估函数
1.
For arbitrary conditional estimable function,the linear conditional minimax estimator under a given quadratic loss function is defined and the unique linear conditional minimax estimator is obtained.
对任一条件可估函数 ,给出了二次损失下线性条件 Minimax估计的定义 ,并得到了唯一的线性条件Minim ax估计 。
2.
For arbitrary estimable function,the unique linear minimax estimator under a given matrix loss function is obtained in the class of homogeneous linear estimators.
考虑方差分量模型,对任一可估函数,在二次损失下得到了线性可估函数在齐次估计类中的唯一的线性M in-im ax估计。
3.
Let Y be a random n-vector with mean Xβ and covariance matrix σ2V, and S be a linear estimable function, where X, Sβ and V ≥ 0 are known matrics, ∈ Rp and σ ≥ 0 are unknown parameters.
设Y是具有均值Xβ和协方差阵σ~2V的n维随机向量,Sβ是线性可估函数,这里X,S和V≥0是已知矩阵,β∈R~p和σ~2>0是未知参数。
6) evaluation function
估价函数
1.
A heuristic algorithm based on evaluation function for UIO sequence generation is proposed,this algorithm can efficiently generate UIO sequence.
提出了一种基于估价函数的启发式生成UIO序列的算法,通过分析比较该算法能更有效地产生UIO序列。
2.
The paper defines a flexible evaluation function,analyzes its influence to the function efficiency and optimized Closed table.
定义了灵活的估价函数,分析了估价函数对程序效率的影响,并对Closed表进行了若干优化,提高了搜索效率,取得了较好的效果。
3.
The Heuristic Search and Evaluation Function are used in this paper.
在寻找最佳路径的过程中,应用启发式搜索和估价函数,对每一个搜索的位置先进行评估,从而得到最好的起始点,再从这个位置依次搜索直到目标,最终发现到达终点的最便捷途径。
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