1) estimable function
可估计函数
2) 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。
3) function approximation
函数估计
1.
Reinforcement learning function approximation algorithm based on linear average;
基于线性平均的强化学习函数估计算法
4) estimating function
估计函数
1.
Blind source separation based on optimally selected estimating functions;
基于选优估计函数的盲信号分离
2.
Secondly, based on the semiparametric theory, an estimating function is constructed and the corresponding learning algorithms are proposed.
基于此,采用半参数统计方法构造超定盲信号分离的估计函数,给出相应的学习算法;理论证明了该算法具有等变化性和分离矩阵的非奇异特性,并借助于源信号数目未知且动态变化的计算机仿真验证了其有效性。
3.
Firstly, the semiparametric statistical approach is introduced into the BSS, and an estimating function for the semiparametric statistical approach in BSS is proposed, from which a learning rule is obtained.
将半参数统计模型引入源信号个数未知的盲分离中,给出了源信号个数(其值n不大于观测信号的个数m)未知,混合矩阵列满秩时,盲分离半参数统计模型的估计函数,得到了由此估计函数给出的半参数统计学习算法。
5) function estimation
函数估计
1.
The approach can ensure the minimum actual risk of denoised signals in the view of function estimation,overcoming the drawbacks of application of traditional wavelet-denoising approaches.
根据统计学习的结构风险最小化原则和VC维理论,给出一种改进的基于VC维的小波消噪方法,使消噪后信号在函数估计意义下具有最小的实际风险,克服了传统的小波信号消噪方法的应用缺陷。
6) Nonestimatible function
不可估函数
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