1) the method of vector Markov process
向量Markov过程方法
1.
By using the method of vector Markov process, the author obtains the system reliability indices.
利用向量Markov过程方法,求出了系统的可靠性指标。
2.
By using the method of vector Markov process, the reliability indices of the model are obtained.
利用向量Markov过程方法,求出了该系统的可靠性指标。
3.
By using the method of vector Markov process, the author obtains the following reliability indices:(1) the reliability and the availability of the system;(2) the mean failure number and the mean renewal number of the system during(0,t].
利用向量Markov过程方法,我们得到系统可靠度、系统可用度、系统故障频度、系统更新频度和平均更新时间。
2) the Markov process method for discrete vectors
离散向量Markov过程方法
1.
By applying the Markov process method for discrete vectors,a discrete-time two-unit cold standby repairable system with single vacations is studied in this paper.
利用离散向量Markov过程方法研究了离散时间单重休假两同型部件冷储备可修系统。
3) vector Markov process
向量Markov过程
1.
In this paper, two-unit parallel systems with a single repairman who may do the work out of the system is studied By using the method of vector Markov process, the reliability indices of the system are obtained.
研究修理工可多次在系统外工作的两部件并联可修系统，在两个相同部件的寿命服从指数分布，部件修理时间和修理工在系统外工作时间均服从一般连续型分布的假定下，利用向量Markov过程方法求出了系统的可靠性指标。
2.
An n-unit series repairable system with one direction shut-off rule and separate repair discipline is studied by using the method of vector Markov process.
利用向量Markov过程方法,研究单向关闭独立维修n部件串联可修模型。
4) vector Markov process method
向量马氏过程方法
1.
By using vector Markov process method.
利用向量马氏过程方法。
2.
In order to find out the operating characteristics of general repairable systems, a powerful vector Markov process method is presented by the auther early in the eighties.
为了分析一般可修系统的运行特征，第一作者在８０年代初提出了一种强有力的向量马氏过程方法。
5) vector Markov prooes method
向量马尔可夫过程方法
6) vector Markov process(VMP) method
向量马氏过程(VMP)方法
补充资料：支持向量机方法
支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解，是神经网络领域域取得的一项重大突破。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾难问题，泛化能力强。
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