1) cross-product deviation matrix
叉积离差矩阵
2) mean dispersion error matrix
离差矩阵
1.
Considering the generalized linear regression model y=Xβ+e,e～N(0,σ 2W) and its prediction problem of biased estimation, this paper discusses its superiority of the optimal and classical predictors based on the ridge estimation by criteria of mean dispersion error matrix and generalized risk function.
针对有偏估计的预测问题 ,以岭估计为基础 ,以离差矩阵MDE(MeanDispersionError)和广义风险函数为判别准则 ,对广义线性回归模型 {y =Xβ +e ,e～N(0 ,σ2 W ) }的最优预测量与经典预测量的最优性判问题进行了讨论。
2.
Considering the generalized linear regression model and its prediction problem of biased estimation,this paper discusses its superiority of the optimal and classical predictors based on the shrunken principal estimator by criteria of mean dispersion error matrix and generalized risk function.
本文以压缩主成分估计为基础,对广义线性模型的最优预测与经典预测的最优性判别问题进行了讨论,获得了在离差矩阵判别准则和广义风险函数判别准则下判断两类预测量最优性的一个充分条件,为进一步研究基于有偏估计关于两类预测量的最优性判别问题提供了一种方法和思路。
3) total dispersion matrix
总离差矩阵
4) dispersion matrix of group
组内离差矩阵
5) between-groups scatter matirx
组间离差矩阵
6) crossover matrix
交叉矩阵
1.
By introducing the grafted genetic algorithm, the improved algorithm uses a crossover matrix to decide the crossover probability of each individual for each generation to avoid premature convergence and has the advantage of whole search and quick convergence.
该算法引入嫁接遗传算法的基本思想,采用一个交叉矩阵来确定每一代每一个个体的交叉概率,避免了基本遗传算法过早收敛的缺点,提高了收敛性能。
补充资料：叉积
叉乘，也叫向量的外积、向量积。顾名思义，求下来的结果是一个向量，记这个向量为c。
|向量c|=|向量a×向量b|=|a||b|sin<a,b>
向量c的方向与a,b所在的平面垂直，且方向要用“右手法则”判断（用右手的四指先表示向量a的方向，然后手指朝着手心的方向摆动到向量b的方向，大拇指所指的方向就是向量c的方向）。
因此
向量的外积不遵守乘法交换率，因为
向量a×向量b=-向量b×向量a
在物理学中，已知力与力臂求力矩，就是向量的外积，即叉乘。
将向量用坐标表示（三维向量），
若向量a=(a1,b1,c1)，向量b=(a2,b2,c2)，
则 向量a×向量b=
| i j k|
|a1 b1 c1|
|a2 b2 c2|
=(b1c2-b2c1,c1a2-a1c2,a1b2-a2b1)
（i、j、k分别为空间中相互垂直的三条坐标轴的单位向量）。
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