1) bit extractor
比特抽取
1.
In Chapter 3,we give a detailed description of bit extractor and perfect proof.
随后本文详细说明了比特抽取的意义和目前的主要结论,并给出相关定理的证明。
2) decimation ratio
抽取比率
1.
Then by changing the decimation ratio of the SINC filter,frequency selecting is realized.
在某一固定输出频率下设计一组带通滤波器,然后通过改变SINC滤波器信号抽取比率实现数字选频。
3) feature extraction
特征抽取
1.
Research about new methods of text feature extraction;
关于文本特征抽取新方法的研究
2.
New nonlinear feature extraction method for face recognition;
新的非线性鉴别特征抽取方法及人脸识别
3.
the Analysis of Feature Extraction Technology Based on VSM;
基于向量空间模型的特征抽取技术分析
4) feature selection
特征抽取
1.
Hownet-based conceptual feature selection method;
基于知网的概念特征抽取方法
2.
This paper is a comparative study of feature selection methods in text categorization.
实验结果表明 ,在英文文本分类中表现良好的特征抽取方法 (IG、MI和CHI)在不加修正的情况下并不适合中文文本分类。
3.
In this paper a feature selection method based on HowNet is put forward,which changes word sense disambiguation into calculating the frequency of the words in relevance concept field and determines the meaning of the words from the viewpoint of the whole text.
本文将语义分析引入到文本聚类的任务中,提出了一种基于知网的特征抽取方法。
5) feature extracting
特征抽取
1.
They are bivalency and image compartmentalization,feature extracting and number recognition.
以摄像机、图像采集卡和计算机为重要技术手段，综合运用图像处理与模式识别技术，给出了一个飞机号码识别系统，该系统应用于空军某飞机场的自动加油系统，重点讨论飞机机号识别的 3个关键技术；二值化与图像分割，特征抽取以及号码识别 。
2.
At the sametime,the authors give algorithms of feature extracting ,Pattern-matching and classification.
对藏文基本字符用投影法：垂直、水平、两对角线四个方向五个子特征进行研究，并给出了特征抽取、模式匹配、字符分类的算法。
6) feature extract
特征抽取
1.
This paper presents the discussion on the principle of statistical feature extraction,and a method of statistical feature extraction using artificial neural network.
应用人工神经网络讨论了统计特征抽取的原理，提出了相应的抽取方法。
2.
Repetitive phrases identification is one of key technologies in feature extract of Web text,repetitive phrases identification technology can effectively solve difficult problem of information extract.
重复短语识别是网页文本的特征抽取过程中的关键性技术之一,通过重复短语的识别能够有效地解决网页文本内容特征抽取的难题。
补充资料：比特
分子式：
CAS号：
性质：一种信息量的单位，是二进制的一位所包含的信息量。对于概率p=1的事件，是一个确定事件，其不确定性为零，它的发生不能给我们带来任何新的信息，即信息量为0。发生概率p越小的事件，人们对该事件认识所包含的不确定性越大，其发生所带来的信息量越大。由此可见，信息量与不确定性是紧密相联系的，是概率的单调减函数。因此，一个事件A，若其发生概率为p(A)，它的发生给予人们的信息量是I(A)=-log2p(A)，当以2为对数的底时，其单位即比特。
CAS号：
性质：一种信息量的单位，是二进制的一位所包含的信息量。对于概率p=1的事件，是一个确定事件，其不确定性为零，它的发生不能给我们带来任何新的信息，即信息量为0。发生概率p越小的事件，人们对该事件认识所包含的不确定性越大，其发生所带来的信息量越大。由此可见，信息量与不确定性是紧密相联系的，是概率的单调减函数。因此，一个事件A，若其发生概率为p(A)，它的发生给予人们的信息量是I(A)=-log2p(A)，当以2为对数的底时，其单位即比特。
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