結果表明,並行遺傳算法適合於求解問題規模較大及大數據樣本點的數據約簡問題。
爲解決這一問題,提出了一種實現智能線*化的新方法,它透過少量的樣本點的學習,建立與熱敏電阻器傳輸特*相對應的逆函數。
針對變量多重相關*及解釋變量多於樣本點等實際問題,伍德S。
該算法剔除了大量冗餘樣本點,並在計算過程中以區間表示代數數,有效避免了浮點數等近似計算
這些樣本點的求得能有效減少求解最小聚類的時間複雜度。
透過離線的迭代算法生成高精度的樣本點來訓練神經網絡,使用動量法、變學習率法和共軛梯度法提高BP網絡的收斂速度。
推廣後的定位方法,可根據具體的目標定位場合,靈活選擇核函數對樣本點進行核密度估計。
在古典概型問題中引入了n次隨機試驗,n維樣本點,n維隨機事件和n維樣本空間等概念,對解決古典概型的應用問題提供了相應的數學模型。
爲了減小定位誤差和提高算法的適應*,利用三維空間抽樣和範圍約束的方法,並結合對成功樣本點的加權篩選,獲得節點的三維估計座標以實現抽樣定位。
結果表明,經選擇後的新特徵較好地描述了樣本點的物理*質和發震危險點與安全點的差異。
迴歸軟件程序將樣本點用圖表示,並且給出最擬合樣本點的直線的價值函數公式。