1) moving averages
移动均值方法
1.
The moving averages for periodic time delay differential system is presented and its averaging theorems are proved by the method of moving averages and district analysis.
基于 2 0世纪 60年代Halanay和Hale关于微分系统平均性的思想 ,利用移动均值方法 ,研究了一类非线性具周期时滞系统的移动均值 ,利用移动均值方法和分区间分析方法证明了该类系统的平均化定理 ,得到了该类系统及其平均化系统解的渐近性行为 。
2) mean shift algorithm
均值移动算法
1.
The underlying principle of pitch determination based on the mean shift algorithm is studied,and the cause of pitch error propagation in the original pseudo code is analyzed.
研究了使用均值移动算法进行基音检测的基本原理,分析了原始伪码中基音错误传播的原因,通过选择一合适的基音初始值F00解决了这一问题。
3) moving average smoothing method
移动平均值法
1.
Then moving average smoothing method is used repeatedly to smooth the curve.
对变换后的直方图曲线重复使用移动平均值法使之平滑,再利用加窗高斯函数对直方图曲线进行卷积运算,实现进一步平滑,并滤除小的噪声干扰。
4) mean shift
均值移动
1.
Face tracking algorithm based on particle filter with mean shift importance sampling;
基于均值移动重要性采样的粒子滤波人脸跟踪算法(英文)
2.
Face tracking algorithm based on mean shift and ellipse fitting;
基于均值移动和椭圆拟合的人脸跟踪算法
3.
Multiple Face Tracking Using Mean Shift and Greedy Algorithm
基于均值移动与贪婪算法的多人脸跟踪
5) mean-shift
均值移动
1.
A new method for segmentation of blood micrograph images is proposed which combines the mean-shift algorithm with one-class support vector machine(SVM) to extract white blood cells.
为了提高白细胞自动识别算法的性能,提出了基于均值移动和单类支持向量机的血细胞图像分割新方法。
2.
Then using Mean-shift la.
首先用中值滤波去除图像噪声;其次在YCbCr彩色空间对图像进行预处理,去除面颊皮肤等背景信息;然后用均值移动法初步分割出舌体;最后应用改进的图像区域生长的方法,得到准确完整的舌体图象。
3.
Color histogram has good stability and isn,t influenced by the variation of shape and scale of objects; meanwhile the algorithm for mean-shift can get local best key and is speedy and effective.
根据目标和背景颜色直方图的特点,针对异色背景干扰和近色背景干扰,提出了一种改进直方图映射和均值移动结合的目标跟踪算法,通过目标主分量提取和干扰分量鉴别,有效地剔除了背景干扰成分,提高了抗背景干扰能力;均值移动算法在生成灰度图中能快速准确定位目标位置。
6) Moving k-means clustering algorithm
动态K-均值方法
1.
Moving k-means clustering algorithm is used to optimize the centers and widths of RBF algebraic algorithm is used to train the weights between hidden layer and output layer.
提出了一种新的RBF神经网络的训练方法,采用动态K-均值方法对RBF神经网络的隐层中心值和宽度进行了优化,用代数算法训练隐层和输出层之间的权值。
补充资料：积分算子的本征值，数值方法
积分算子的本征值，数值方法
gen values of integral operators, nunencal methods
晚”，然而“el罗n词比”常用于使方程A毋=拌毋有非平凡解的复数拜. 在很多用人逼近A的具体方法中，以上用的条件ha。_。“人一川}二0太强.代替这个条件可用条件人点态收敛于A且{人}是集体紧的(印胶石砚妙~paCt)(即对所有的有界集B，U万称吸历是紧的).在这格式中关于人的本征值收敛于A的本征值的结果可见IAll的第4章. 在西方文献中，关于这方面的文章的详目，例如，在【A2」的第3章和【A31中给出.的，且}}毋}1(R). 间题(6).和非线性积分方程中关于分支点的各种问题密切相关.一个有趣的情形是A以，树关于甲是线性的而又不以数乘形式出现在这方程中.关于分支点的一般问题能化为这种情形.而且，线性算子(l)在圆盘}又}续R中(R固定)的本征值问题可化为更一般的间题(6)，其中算子A以，叻关于毋是线性的且有有限维的值域.实际上，令又是一个有退化核的积分算子且按范数接近于A:111一A}‘占.方程(l)能改写为 【E+又(A一A)】毋二又A职.如果队}<1胭，那么E十又(A一A)是可逆的，且满足冈<1旖的本征值能从关系式 z=又元(E+又(又一注))一，z(7)中求出，其中Z=【E十又(A一A)1职.方程(7)等价于(对Z)一个线性代数方程组.令其行列式等于零就获得一个以积分算子(l)的本征值为根的方程.如果A是E以na比空间必上的一个全连续算子，它能用有有限维值域的算子按范数来逼近，那么以上的论述一般是成立的.构造(7)也可用来获得一个近似本征值(和本征函数)的改进. 一般问题(6)能用逼近A化为形如(6)的有限维问题，对此类型的更复杂问题可应用蒙特卡罗方法(见【7】).__，人，二值l叫赳也常称为“非线性本征填卿臀(non一腼卿血pro冼沈){血死’奥文“c必勿明司迸”在文章中也称为“d珍口比油tiC拍-积分算子的本征值，数值方法【响户，”汕侧留of血阳帅lq坤m勿招，..祀d国..挂月.由;eo6eT.eH.ue，Ha，e-二..Terpa几妞址x oll6p扭To四B，叱毗JellH“e MeTO八“.a-xo狱八e。职」 计算一个积分算子的完全谱或穷的一部分(通常要求找出一个或两个具有最小或最大模的本征值)的数值方法. 它常和寻找一个给定的积分算子的相应于所求本征值的本征函数，或更一般地根函数的数值逼近问题联系在一起，最重要的问题是寻找一个F代dho如线性积分算子(见E侧肠咖”算子(F泊为olln。详功tor))的本征值(和本征函数). 确定F加山d吻积分算子本征值的数值方法.关于一个F代过hehn积分算子的本征值和本征函数问题是:求复数又使积分方程 *，，一*丁、(x，、)，(:)ds一，(x)(l) D有一个非平凡解(在一给定的函数类中).这里K。，s)是变量x和s的一个函数(或矩阵函数)，使以K为核的积分算子在给定的函数类上是一个F代dhehn算子，而D是E公团空间R用中的一个区域.这函数类可以是D上的连续函数空间C(D)，D上的平方可积函数空间几(D)或其他的函数空间. 解本征值问题(I)的基本近似方法如下:取(l)中积分算子的一个近似(见F均山d腼方程，数值方法(F获月holm闪田tion，n~石。公此山。么”，例如，把积分用下面的求积公式来代替: 乒(一)，(‘)“‘、睿·:·K‘一、”‘、，一而，‘2，其中。‘是求积公式的结点而“卿是它的权(见13卜[5]). 代替(l)，考虑寻找某个与近似(2)有关的矩阵的本征值和对应的根空间，即 扮 “蒸a{“，K(sj，、)不(、)一币(sj，，，一，，一N·(，，为了解(3)，能用任一种线性代数的方法去求本征值和本征向t，或更一般地，去求根空间(见线性代数中的橄值方法(血份r碱罗bra，nur出垃川nr山。由in)).如果算子A和牙在某种意义下相接近，那么代数问题(3)所得出的本征值和本征向量将接近于问题(l)的本征值和本征向量.代替(2)，积分算子的其他近似也可应用，于是原先的问题(l)就化为类似于(3)的一个代数问题.间题(l)的解和问题(3)的解之间的距离的研究是用泛函分析的方法，它属于逼近方法的一般理论范畴.于是本征值问题(l)就成为寻找某一个作用在B趾劝dl空间O上的全连续算子A的本征值问题: 孟A中=价.(4)问题(3)是作为一个算子万的本征值问题来看待的，万接近于A，但一般而言它作用在另一个空间币上(币与。有关): 又万石=不(5)在通近方法的一般理论中，能证明关于问题(4)和(5)的解的距离的各种定理.作为这样的例子，指出下列陈述.令人是作用在巾上的一个算子序列且 户曳}人一川}=0，则_ U。伙)三，(A)，其中a(.)是对应的算子的谱.在这种情形每一个币和O重合. 关于逼近问题(5)和(4)的本征值和本征向量之间距离的大多数一般估计不是有效的:它们包含一些通常是未知的常最.这时为了控制精度，人们用一个通近(l)(或(4))中所求的本征值(向量)的本征值(向t)序列.这个序列的构造不宜直接用(5)中万的逐次改进来得到，因为这一过程会导致繁重的计算.人们代之以各种加细算法(例如，用扰动理论(详叭证比由nth印ry)). 广义本征值问题(罗朋扭血比el今m明目ue pro卜七“‘)、在应用中也遇到比(4)更一般的问题，即寻找本征值型的临界参数.这样的问题能用以下抽象的形式来叙述. 人们必须去寻找使方程 A(又，沪)=价(6)关于中有多于一个解的参数又的值(其中A是压m朗h空间中上的一个非线性积分算子.它依赖于复参数劝. 在问题(6)中对11例}和又可有进一步的限制(例如，仅要求满足条件}又}(R的那些又，其中R是给定
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