1) Global criterion function
全局准则函数
2) partial criterion function
不完全准则函数
3) criterion function
准则函数
1.
A new criterion function was presented according to the statistical learning theory.
着重分析了前向神经网络在学习过程中过学习问题产生的统计学机理 ,并根据统计学习理论提出了一种新的准则函数·该准则函数综合考虑了网络的逼近性、容错性和归纳性 ,并且算法实现起来简单 ,易于在线选择·同时还提出一种新的网络结构学习算法·最后用该学习算法进行网络训练 ,仿真结果显示了算法的有效性和实用性
2.
This paper utilize the high order of input/output data,gave a new criterion function,and deduced its control law.
针对基本形式的无模型控制律没有充分利用输入输出数据包含的信息,利用输入输出数据的高阶信息,提出了一种新的控制准则函数,推导了其控制律算法。
4) overall situation function
全局函数
1.
0 MFC programming process, through the example form, has produced three kind of overall situations variables and the overall situation function three essential methods.
0的MFC程序设计过程中,通过实例形式,给出了三种全局变量和全局函数的三种基本方法。
5) DFP(Davidon Fletcher Powell)method
全局准则法
6) global criterion
全局性准则
补充资料：高斯函数模拟斯莱特函数
尽管斯莱特函数作为基函数在原子和分子的自洽场（SCF）计算中表现良好，但在较大分子的SCF计算中，多中心双电子积分计算极为复杂和耗时。使用高斯函数(GTO)则可使计算大大简化,但高斯函数远不如斯莱特函数(STO)更接近原子轨道的真实图象。为了兼具两者之优点，避两者之短,考虑到高斯函数是完备函数集合,可将STO向GTO展开：
式中X(ζS,A,nS,l,m)定义为在核A上，轨道指数为ζS，量子数为nS、l、m 的STO；g是GTO：
其变量与STO有相似的定义；Ngi是归一化常数：
rA是空间点相对于核A的距离;ci是组合系数；K是用以模拟STO的GTO个数（理论上，K→∞，但实践证明K只要取几个，便有很好的精确度）。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS＝1 时固定K值的ci和(i＝1,2,...,K)，然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数，而且，ci不依赖于ζS,因而ζS＝1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
式中X(ζS,A,nS,l,m)定义为在核A上，轨道指数为ζS，量子数为nS、l、m 的STO；g是GTO：
其变量与STO有相似的定义；Ngi是归一化常数：
rA是空间点相对于核A的距离;ci是组合系数；K是用以模拟STO的GTO个数（理论上，K→∞，但实践证明K只要取几个，便有很好的精确度）。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS＝1 时固定K值的ci和(i＝1,2,...,K)，然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数，而且，ci不依赖于ζS,因而ζS＝1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
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