1) random functional approximation
随机函数逼近
1.
By using viewpoint of random functional approximation,a new way and method to solve question of statistical models is obtained,and a good estimation for Polynomial Regression Function of Random Independent Variable and its error variance is given.
以随机函数逼近论的观点看待统计模型问题,得到了解决其问题的具有一般性的新途径与新方法,作出了随机自变量多项式回归函数及其相应的误差方差的优良估计,其优良性的标准包括强相合性、相合渐近正态性与L~1收敛性。
2) Stochastic approximation
随机逼近
1.
A simple Algorithm of Model-Free Control with a Reformative Method of Simultaneous Perturbation Stochastic Approximation;
一种简易的无模型控制算法——改进的同时扰动随机逼近控制
2.
A stochastic approximation for parameters Markov decision processes;
参数Markov决策过程的随机逼近算法
3.
Enlightened by the technique used in extended least squares (ELS) algorithm for parameters identifying, based on stochastic approximation principle a new adaptive algorithm was concluded from EM algori.
本文借用增广最小二乘法（ELS）参数辩识算法中的运算技巧,应用随机逼近原理,在EM算法的基础上推导出一种具有自适应能力的离子通道信号参数估计技术,仿真证明其估计精度较高,稳健性强,而且易于实现。
3) Function approximation
函数逼近
1.
The function approximation ability comparison of two wavelet networks and their applications;
两种小波网络的函数逼近能力比较与应用
2.
Function approximation capabilities of intuitionistic fuzzy reasoning neural networks;
直觉模糊神经网络的函数逼近能力
3.
Function Approximation Study of General Fuzzy System;
模糊系统的函数逼近特性研究
4) approximation of function
函数逼近
1.
And as the approximation of function for example,approximating the emulation of the different BP neural Netwlrk with the figure of primary function,it compares the performance of different BP neural network,Advantages.
并以函数逼近为例,通过对不同的BP神经网络仿真与原函数图像的拟合,比较不同的BP神经网络的性能,验证新型BP网络的优势,得出如何根据对象选取神经网络的结论。
2.
This paper discusses differences and relations between Newton and Lagrange interpolation polynomial in approximation of function.
讨论了Newton及Lagrange插值多项式在函数逼近中的联系和区别。
3.
This paper discusses differences and relations between Taylor Polynomial and Newton interpolation polynomial in approximation of function.
讨论 Taylor多项式与 Newton插值多项式在函数逼近中的区别和联系。
5) approximation function
逼近函数
1.
Firstly,the best uniform approximation function is constructed with Chebyshev interpolation method,then the function is analyzed by partial orthogonal decomposition to obtain related eignvalue and eignvalue vector.
首先,利用Chebyshev插值法建立非平稳信号的最佳一致逼近函数;然后,通过对该函数进行偏正交分解获取对应的特征值及特征向量。
2.
A new method of analytic extension for the approximation function of firing tables out of the firing table s valid firing area was put forward.
在有效射界外,为火炮射表的逼近函数构造了一个解析延拓函数,它能为有效射程之外平稳光滑地引导火炮提供策略,而且可保证求解的第一个命中点在有效射界的边界上,为目标快速射击争取了最大的射击机会。
3.
For nonlinear and nonstationary signal,the paper builds the best uniform approximation function with Chebyshev s interposing method,then the function is analyzed by orthogonal function to(obtain) relating eigenvalue and eigen vector.
利用Chebyshev插值法,建立非平稳信号的最佳一致逼近函数,通过对该函数进行偏正交分解获取对应的特征值及特征向量,该方法运用在滚动轴承故障特征提取应用中,取得了良好的效果。
6) functional approximation
函数逼近
1.
Functional approximation development—neural networks;
函数逼近的发展——神经网络
补充资料：随机函数
随机函数
random function
随机函数f佃日Jn加叫为叨;cjl犷l‘。。中邓叫职] 任意自变量t(定义在集合T上，t的值可取数值或更一般地在向量空间中取值)的函数，函数值可用某个试验来定义并可以随着试验的结果而变化，而试验的结果服从给定的概率分布.在概率论(pro恤b正tyth印ry)中，注意力集中在数值(即纯量的)随机函数x(t);一个随机向量函数x(t)可看作纯量函数戈(t)的总合，其中“在X的分量的有限集或可数集A上变化，即看作点对(t，以)，t已T，:任A，集合T。=TxA上的数值随机函数. 当T是有限集时，X(t)是有限随机变量集，可以看作多维(向量)随机变量，用多维分布函数来表征.当T是无限集时，研究最多的是t取(实)数值的情形;在这种情形，t通常表示时间，X(t)称为随机过程(s杖‘11astic Pr以浑SS)，或者若t只取整数值，X(t)称为随机序列(m】ldoms闰Uell代)(或时间序列(t山℃~”.如果!的值是流形(诸如k雍.E云d社空间R人)中的点，则X(t)称为随机场(randomfiekl). 定义在一个无限集T上的随机函数的值的概率分布是用与T的所有有限子集道t;，…，t。圣对应的随机变量X(t、)，…，X(t。)的有限维概率分布的总和，即相应的满足下述相容性条件的有限维分布函数巩，、，，。(x、，…，x。)的总和来表征的 F，，一，。，，，.，，，。十.(x，，二，x。，的，…，田)二 =凡一t.(x1，…，x。)，(l) 只.，，、:J，(x，，，“’，戈，)=Fr.，，‘.(x，，…，x。)，(2)其中i;，…，i。是足码1，…，n的一个任意置换.在一切只对依赖于T的可数个值上X的值的事件感兴趣的情形，X的概率分布的这种表征法是充分的.但是它不能用来决定X的依赖于T的连续统子集的性质的概率，诸如连续性或可微性或在T的连续子集上X(t)可分过程(seParablep~)). 可以更一般地对T中的每个点t，用定义在一个固定的概率空间(pro加城tysP暇)(。，一叭p)(其中Q是点田的集合，了是O的子集的一个。代数而P是在了上给定的概率测度)上的随机变量X=X(田)的总和来描述随机函数.依这种方法，T上的一个随机函数，看作两个变量的函数x(t，。)，所T，.‘Q，对每个t它是了可测的(即对固定的t，它归结为定义在概率空间(Q，了，p)上的随机变量).通过取。的一个固定值田。，得到一个T上的数值函数X(t，田。)=x(r)，称为X(r)的实现(爬汕劝丘〕n)(或者X(O的样本函数(samPle ftinctjon)，或者，当t表示时间时，称为x(t)的轨道(trnieCtory));了和尸在实现x(t)的函数空间R丁={x(t):踌T}上导出一个子集的。
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