1) approximation performance
函数逼近性能
2) function approximation
函数逼近能力
1.
Research and simulation of bus protection with function approximation ability;
基于函数逼近能力的母线保护的研究及仿真
2.
This article indicates the principle for ANN bus protection based on function approximation ability,analyzes the functional relation of bus-bar object and builds the ANN model of bus-bar protection.
叙述了基于ANN函数逼近能力的母线保护原理,分析了母线保护物理对象的函数关系,构建了母线保护的人工神经网络模型。
3) function approximation ability
函数逼近能力
1.
This article, based on the function approximation ability, relates the principle of ANN bus protection , the functional relation of its object and the build-up model of it.
叙述基于ANN函数逼近能力的母线保护原理,分析母线保护物理对象的函数关系,构建母线保护的人工神经网络模型。
4) function approximation capabilities
函数逼近能力
1.
Studies the function approximation capabilities of FBP.
研究了模糊反向传播神经网络FBP(FuzzyBackpropagation)的函数逼近能力。
2.
This paper studies the function approximation capabilities of FBP.
研究了模糊反向传播神经网络的函数逼近能力 。
5) universal functional approximator
万能函数逼近器
1.
Fuzzy inference systems (FIS) based on linear regression models are shown to be universal functional approximators.
系统地提出了用回归的方法处理模糊推理的思想 ,并结合线性回归模型进行了示范 ,证明了基于线性回归模型的模糊推理系统 (FIS)同样是一个万能函数逼近器。
6) nonlinear function approximation
非线性函数逼近
1.
The combined training algorithm is applied to the nonlinear function approximation and stock price forecast with complex nonlinear dynamic characteristic,and t.
将此组合训练算法应用到非线性函数逼近和具有复杂非线性动力学特征的股价预测中,仿真实验表明,该算法避免了网络陷入局部极小点,提高了网络的泛化能力,同时为BP网络参数的确定提供了一条崭新的思路。
2.
The wavelet network combines the mathematical feature of wavelet transform with learning scheme of conventional neural network into an organic unit,which has been applied to nonlinear function approximation and dynamical system modeling.
小波网络将小波变换的数学优势和神经网络的学习机制相结合,完成非线性函数逼近和动态系统建模。
补充资料：函数逼近，函数类的极值问题
函数逼近，函数类的极值问题
ions, extremal problems in function dasses approximation of ftinc-
】f，r，(r’)一f(r，(r‘’)}《M】r’一r“}“(r’，，“。I一1，!])的f任Cr!一1，l]组成的函数类，则对于n一1次代数多项式子空间贝了在!一1，l]上所作的最佳一致逼近，下列关系式成立: 悠二E‘MH。，”‘”)‘一粤，‘6) ，、_一二，二，，，，、~刀、M，二、。，，r，、忽”厂‘““‘M附rH“，贝:’‘一誉{’·‘万一‘’‘““‘，‘7， r=l，2，…，将这些结果与周期情形下的相应结果进行比较是有所裨益的.当，=1时，(6)，(7)的右端分别等于M凡和M人r+1.如果放弃对最佳逼近多项式的要求，那么就可以获得较强的结果，这些结果实质上改善了在!一1，l]端点处的逼近并保持了整个区间上的最佳渐近特征.例如，对任何f6MH‘，存在代数多项式序列Pn以t)任灾矛，使得当n~的时，下列关系式在t6!一1，l]上一致成立:、f(!)一。。，‘)、·:{{;杯}“二‘一，!- =E(MHa，哭聋)。【(l一tZ)a·‘2+o(l)1.对M评百，(r=1，2，…)也有类似的结果(见【川).关于(最佳及插值型)样条逼近给定在区间上函数类的问题，若干精确及渐近精确的结果(主要是对于低阶样条)已公诸于世(见1151). 就(积分度量下的)单边逼近而言，关于上述函数类用多项式和样条进行最佳逼近的误差估计也已得到了一系列精确的结果(见【14]).在推导这些结果的过程中，实质上利用了最佳逼近在锥约束下的对偶关系. 对给定的函数类叨，寻求其(固定维数的)最佳逼近工具将导致确定所谓的宽度(widih)问题，亦即确定(参考(l)，(3)) 心(，之，幻=运fE(叭，贝，)x， 贝即 d沁(叭，X)==运f者(叭，叽、)，， 田阳(其中下确界取自X的所有N维子空间灾N(及其平移))，以及确定实现这些下确界的(最佳)极子空间问题.心与d万的上界可由E(叨，灾)x和g(叭，叭)x分别给出，对于具体的子空间贝，来说，E(绷，灾)x和扩(绷，哭N)x是已知的.宽度问题中的主要困难是获取下确界.在某些场合下，可借助于拓扑中的Borsuk对映定理丈见18』)而得到这些下确界.在用(。一1阶三角多项式)子空间，荔一，或(关于结点人司。亏数为1的。阶样条)子空间s皿解决函数类M吼及周期函数类wrH“的最佳逼近问题时，已知的上确界E(叭，巩、)x几乎在所有的情况下同时也就是这些函数类的心值.此外，对周期函数类还有姚。一1=姚。.特别有(见[7]，【8]，【1 51，【16」)dZ，l(附妥，C)=dZ。(W蕊，C)二dZ。一(W下.L一)= =dZ。
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