1) Neighborhood Statistic
邻域统计
1.
In order to improve the algorithm of flame detection in furnace safeguard supervisory system,a new algorithm of neighborhood statistic was proposed in the paper.
针对火焰检测器中采用的火焰燃烧判别算法存在的不足,提出一种新的邻域统计火焰检测算法。
2) neighbor statistic moment
邻域统计矩
3) neighborhood statistic coding
邻域统计编码
1.
In order to get higher quantity,this paper presents neighborhood statistic coding algorithm to get the boundary o{ the parts rapidly, fiher the burrs and noise at the same time.
为了更有效地从二值图像中提取更高质量的曲线轮廓,提出一种基于邻域统计编码的轮廓提取算法,它能在快速地提取出待测零件轮廓的同时,滤除毛刺和噪声。
4) estimated neighbourhood
估计邻域
5) neighbor statistic moment histogram
邻域统计矩直方图
1.
A novel color image retrieval method based on multi-neighbor statistic moment histograms (MNSMH) is proposed.
提出一种创新的基于多邻域统计矩直方图方法(MNSMH),该方法在量化HSV颜色模型下,计算每个像素点不同邻域的统计矩,对每个邻域统计矩,计算它的归一化直方图,以这些直方图和颜色直方图一起作为图像的特征索引进行彩色图像检索。
6) neighborhood system
邻域系统
1.
For the difficulty of getting transition probability matrixes in various directions in Markov chain(models),the paper presents a method to figure out it,which makes getting transition probability matrixes of (different) neighborhood systems of Markov chain models easier and more feasible.
针对在油气储层随机模拟中马尔可夫链模型的不同方向的转移概率矩阵求取困难的问题,提出一种二维剖面中不同方向的转移概率矩阵求取方法,这种方法的提出使得不同阶次的各向同性和各向异性的邻域系统的转移概率矩阵的求取变得容易可行。
2.
The neighborhood system can’t cover the universe.
在含有缺省值的不完备性信息系统中,一部分对象无法确定的归入特定的类中,此时论域的邻域系统对于论域无法形成覆盖,只能形成论域的不完全划分。
3.
Basing on the neighborhood system of MARKOV random field(MRF) and the potential function,we build a soft constrained mode to overcome the shortage of the force constraints,and we extend well constrained data to well-cross.
基于马尔柯夫随机域(MRF)的邻域系统及势函数构建一种软性约束模式,将井眼约束信息外推到井间,避免过往强制约束的不足。
补充资料：统计量值和接受域
分子式：
CAS号：
性质：统计量是一个随机变量，由一次抽样检验所得到的统计量值以一定的概率出现，只是概率的大小不同而已。在对假设进行抽样检验时，即使原假设H0不正确，在某一次抽样检验时，统计量值也可能以一个小的概率β出现在接受原假设的区域，而错误地接受了原假设H0；反之，即使原假设正确，在某一次抽样检验时，统计量值也可能以一个小的概率α出现在拒绝原假设H0的区域，而错误地拒绝了正确的原假设H0，1-α则为原假设H0为真时而作出接受原假设H0的结论的概率。这个以1-α概率正确能接受原假设H0的区域，称为接受域。
CAS号：
性质：统计量是一个随机变量，由一次抽样检验所得到的统计量值以一定的概率出现，只是概率的大小不同而已。在对假设进行抽样检验时，即使原假设H0不正确，在某一次抽样检验时，统计量值也可能以一个小的概率β出现在接受原假设的区域，而错误地接受了原假设H0；反之，即使原假设正确，在某一次抽样检验时，统计量值也可能以一个小的概率α出现在拒绝原假设H0的区域，而错误地拒绝了正确的原假设H0，1-α则为原假设H0为真时而作出接受原假设H0的结论的概率。这个以1-α概率正确能接受原假设H0的区域，称为接受域。
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