1) valuation function of principal components
主成分价值函数
2) functional principal components analysis
函数主成分分析
1.
A low-dimensional functional space is constructed from a set of example motions by using functional principal components analysis.
通过对一组样本运动进行函数主成分分析,构建出一个由特征运动构成的低维函数子空间。
3) value function
价值函数
1.
Method for uncertain multiple attribute decision making based on estimation of attribute value functions;
基于属性价值函数估计的不确定多属性决策方法
2.
In each-subproblem,high-dimensional state variable is used to denote the information of random travel times,and approximations of the value function are used to sol.
在每个子问题中,利用高维状态变量表示随机行驶时间信息,并采用价值函数的近似进行求解。
4) cost function
价值函数
1.
Empirical research on prospect theory and cost function;
期望理论及价值函数的实证研究
2.
It can be used for solving multi-objective problems with a concave ob-iective and cost functions and a convex feasible region, The program of the algorithm is writ-ten in ANSIC language and has been successfully run on IBM P/IAT-286 and 386 machines.
系统地讨论了非线性多目标最优化算法─—广义ＺＷ法，它是Ｚｉｏｎｔｓ－ｗａｌｌｅｎｉｕｓ（ＺＷ）法的改进和推广，使得ＺＷ方法能够有效地解决具有凹目标与价值函数，以及凸可行域的非线性多目标最优化问题。
5) merit function
价值函数
1.
In this paper,we first discuss the method for solving nonlinear complementarity problem with the equivalent formulation of minimization based on merit function.
通过讨论了非线性互补问题在经过价值函数的极小化变形之后的解决方法,提出求解非线性互补问题的一个无导数下降算法,在一定条件下证明了该算法的适定性及收敛性,利用数值例子表明了算法是有效的。
2.
In order to avoid the Maratos effect,the merit functions used are approximations to Flether s differentiable exact penalty function,and the algorithm updates approximations to one-sided reduced Hessian and two-sided reduced Hessian seperately.
为避免Maratos效应,我们采用Flether的光滑精确罚函数的逼近形式作为价值函数,并且分别对Lagarange函数的单边既约Hessian的近似阵和双边既约Hessian的近似阵进行校正。
3.
In this paper,based on Fischer-Burmeister SDCP-function,we propose a merit function for the optimality conditions for semidefinite programming(SDP),and present a PRP-type conjugate gradient algorithm after analyzing its properties.
基于Fischer-Burmeister函数,给出半定规划问题(SDP)最优性条件的一个价值函数,提出一种PRP-型共轭梯度法,在适当的假设下分析了算法的全局收敛性。
6) Principal value function
主值函数
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
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