1) working in groups
分组方法
1.
Application of working in groups to college students ideological and political education;
分组方法在大学生思想政治工作中的运用
3) alternating group method
交替分组方法
1.
A class of alternating group method for solving the two dimensional diffusion equation;
二维扩散方程的一类交替分组方法
2.
A class alternating group method is given for solving two dimensional convection-diffusion equation.
利用第二类Saul′yev型非对称格式给出了二维对流扩散方程的一类交替分组方法,该方法具有并行本性,易于程序实现,并且是绝对稳定的。
4) grouping explicit method
分组显式方法
1.
For solving this kind of second order hyperbolic equations, the grouping explicit method is presented by applying asymmetric formula.
首先把具耗散项的二阶双曲型方程分解为两个一阶方程 ,然后利用不对称公式提出解此类二阶双曲型方程的分组显式方法 。
2.
Based on explicit and implicit upwind schemes,a class of grouping explicit methods are given for solving convection equation u / t - u / x =0 The consistency and the stability of these methods are proved.
用显式及隐式迎风格式给出了求解对流方程ｕｔ－ｕｘ＝０的分组显式方法，证明其相容性及（弱）稳定性，数值例子表明该方法是有效的。
5) methods of combination and analysis
组合分析方法
1.
This paper is to derivate their dimentions by methods of combination and analysis.
用组合分析方法推导得其维数
6) combined segmentation method
组合式分割方法
补充资料：数据处理的分组方法
对结构未知的复杂非线性系统的一种启发式自组织建模方法，简称GMDH法。这种方法是用输入变量的多项式来近似地表示非线性系统的输入输出关系。一般的非线性输入输出关系可表示为
式中y是输出变量；是输入变量;的多项式。直接计算十分困难,甚至是不可能的。60年代末期,苏联生物控制论学者И,赫宁柯借鉴生物控制论中的自组织化的方法提出GMDH法。它的思路不同于其他任何优化算法。这个算法是多层型的，每一层用输入输出数据拟合得到输入变量两两组合而成的部分表示。它是两个变量的函数，一般可取G为二次完全多项式：
然后将所得到的部分表示，用误差平方和按一定的阈值淘汰一部分，将留下的部分表示作为下一层的输入变量，再按同样的办法得到新的一层的部分表示。在新的一层再对部分表示进行筛选，保留一部分作为下一层的输入。这样一层一层地选下去直到选出符合要求的部分表示。将最后选到的部分表示回代成原始的输入变量，即得到最终的模型，这就是多层型信息处理的建模方法。
GMDH算法可归结为以下的基本步骤：①对原始的输入变量进行预备性选择。②为了决定部分表示的系数和对每一层的中间变量的正确的选择，将数据分成拟合组（用于决定系数）和检验组（用于选择部分表示），并给出数据分组的原则和方法。③产生两个变量为基础的部分表示。④按多层结构给出各层的阈值，使得算法过程中能自动选择部分表示。⑤选出最终模型。
GMDH算法对于难以从先验知识得到模型结构的复杂的非线性系统的建模是很有效的。特别是在输入变量多而数据很少的情况下，其他建模方法很少能奏效，GMDH算法的优越性就更为明显。它在许多方面，例如在宏观经济模型、人口模型、大气污染模型、水质模型、各种预报模型、工业过程控制模型等方面都得到了成功的应用。
参考书目
夏天长著，熊光楞、李芳芸译：《系统辨识》，清华大学出版社，北京,1983。(T.C.Hsia,Identification: Least-Squeres Methods，Lexington books, Lexington， Mass.,1977.)
式中y是输出变量；是输入变量;的多项式。直接计算十分困难,甚至是不可能的。60年代末期,苏联生物控制论学者И,赫宁柯借鉴生物控制论中的自组织化的方法提出GMDH法。它的思路不同于其他任何优化算法。这个算法是多层型的，每一层用输入输出数据拟合得到输入变量两两组合而成的部分表示。它是两个变量的函数，一般可取G为二次完全多项式：
然后将所得到的部分表示，用误差平方和按一定的阈值淘汰一部分，将留下的部分表示作为下一层的输入变量，再按同样的办法得到新的一层的部分表示。在新的一层再对部分表示进行筛选，保留一部分作为下一层的输入。这样一层一层地选下去直到选出符合要求的部分表示。将最后选到的部分表示回代成原始的输入变量，即得到最终的模型，这就是多层型信息处理的建模方法。
GMDH算法可归结为以下的基本步骤：①对原始的输入变量进行预备性选择。②为了决定部分表示的系数和对每一层的中间变量的正确的选择，将数据分成拟合组（用于决定系数）和检验组（用于选择部分表示），并给出数据分组的原则和方法。③产生两个变量为基础的部分表示。④按多层结构给出各层的阈值，使得算法过程中能自动选择部分表示。⑤选出最终模型。
GMDH算法对于难以从先验知识得到模型结构的复杂的非线性系统的建模是很有效的。特别是在输入变量多而数据很少的情况下，其他建模方法很少能奏效，GMDH算法的优越性就更为明显。它在许多方面，例如在宏观经济模型、人口模型、大气污染模型、水质模型、各种预报模型、工业过程控制模型等方面都得到了成功的应用。
参考书目
夏天长著，熊光楞、李芳芸译：《系统辨识》，清华大学出版社，北京,1983。(T.C.Hsia,Identification: Least-Squeres Methods，Lexington books, Lexington， Mass.,1977.)
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