样本函数

1、可靠性理论中，可靠度函数及其反函数通常都是未知的，需要依据样本进行估计。

2、提出了网络中核函数的分裂合并规则，在学习过程中将样本的类别信息作为指导信息，根据样本分布情况自动确定核函数个数、中心和宽度。

3、该方法利用模糊似然函数对样本数据进行聚类，并使模糊模型的结构辨识和参数辨识能同时完成，从而实现模糊模型的在线辨识。

4、回归软件程序将样本点用图表示，并且给出最拟合样本点的直线的价值函数公式。

5、调用树中父函数调用此函数时此函数的独占样本数占分析运行期间所有样本数的百分比。

6、通过相隔固定的帧差值阅值化得到背景样本值，并采用高斯核密度估计方法计算背景灰度的概率密度函数。

7、核函数生成既考虑了训练集样本自身的类别因素，又考虑了错分样本与邻近类别的关系。

8、推广后的定位方法，可根据具体的目标定位场合，灵活选择核函数对样本点进行核密度估计。

9、通过以全体样本对全体类别加权广义欧氏权距离平方和最小为目标函数，建立了模糊聚类、识别与优选决策统一的理论与循环迭代模型。

10、前向网络利用反向传播算法训练多层网络，使训练后的网络较好地拟合样本空间中各点的函数值。

11、经数值计算结果表明，选择径向基函数作为隐层的激励函数，可以得到较好的样本拟合效果。

12、调用树中父函数调用此函数时此函数的非独占样本数占分析运行期间所有样本数的百分比。

13、您可以利用此函数将您的样本方差计算转换为样本标准差计算，如清单8所示。

14、重点放在大样本的假设检验上，最后给出此问题的检验函数，从而解决了该检验问题。

15、独占计数内不计算此函数的子函数执行时所收集的样本。

16、研究结果表明，在样本分布和量化级数不变时，泛化均方差和学习均方差是权调整率的非增函数。

17、支持向量机方法能够解决小样本情况下非线性函数拟合的通用性和推广性的问题，是求复杂的非线性拟合函数的一种非常有效的技术。

18、针对不同样本之间存在交叉数据的模式识别问题，将多层激励函数的量子神经网络引入模式识别之中，提出一种基于量子神经网络的模式识别算法。

19、新的目标准则函数考虑了数据集样本的模糊隶属关系和样本几何分布两个方面的因素，使算法的鲁棒性和分类的正确性大大加强。

20、其次，提出了基于属性效用函数估计的学习样本构造方法，从决策问题本身抽取学习样本。