ベースモデル造句

• 度は９４．４％で，ＨＭＭのそれよりはるかに高く，ルールベースモデルのそれよりも高かった．
  度为９４．４％，比ＨＭＭ高的多，比规则基础型号也高得多。
• 一方，ルールベースモデルの精度はニューロタガーのそれに劣るものの，統計手法のそれよりはるかに高かった．
  一方面，规则基础型号的精确度虽然比神经网络的差，但是比统计手法要高得多。
• 具体例としてペトリネットを表現するメタモデル，およびそれを用いて記述したベースモデルを提示した。
  作为具体的例子，提示表现Ｐｅｔｒｉ　ｎｅｔ（皮特里网）的高次模型以及用这个记述的空间模型。
• しかし，このようなシステムを例えば確率モデルやメモリベースモデルで実現しようとすると，それぞれ以下に述べる不具合が生じる
  但是，如果想依靠如概率模型或存储库模型等来实现这样的系统的话，就会出现下述问题。
• 計算機実験の結果，伸縮性ニューロタガーはＨＭＭやルールベースモデルより高い精度（９４．４％）でタグづけができた．
  计算机实验的结果，伸缩性神经网络以比ＨＭＭ或规则基础型号高的精确度（９４、４％），井陉添加标签。
• 二酸化炭素排出量を計算するためのベースモデルの構成について述べ，食用油廃棄物の生物ディーゼル燃料への変換に対する評価事例を報告した。
  叙述了用于二氧化碳排放量计算的基础模式的构成，报告了将报废食用油转换为发动机生物燃料的评价实例。
• 本節では，まず，ベースモデルとなる，最大エントロピー法を用いた日本語固有表現抽出の手法（Ｂｏｒｔｈｗｉｃｋ　１９９９；内元他２０００）を定式化する
  本节中，首先，定式化使用做为基本模型的最大熵的日语命名实体抽取的方法（内元他２０００）。
• ベースモデルの１Ｅ４５型エンジンを使って排出制御試験を行い、中国ＧＥ産の小型２サイクルガソリンエンジンのガス排出の特徴、と使用基準に対する研究をした。
  针对国产通用二冲程小汽油机排放特点及使用要求，以１Ｅ４５型样机为例进行排放控制试验研究．
• エージェントベースモデル法を使用し，放牧地，営利事業および研究機関の機能の中心となる生物物理学のプロセスを含む放牧地の概念モデルを実行した。
  本文利用因子基本模型法，实施牧场的概念模型，此模型中包括以牧场、营利事业及研究机关的机能为中心的生物物理学进程。
• エージェントベースモデルによる人工市場研究の最近までの発展については［Ｈｏｍｍｅｓ０６］と［ＬｅＢａｒｏｎ０６］が良質のサーベイとなっている．
  至于利用主体库模型进行的人力市场研究直到近来的发展中，［Ｈｏｍｍｅｓ０６］、［ＬｅＢａｒｏｎ０６］是不错的调查。
• これらの研究では，収益率分布に関するｆａｔ―ｔａｉｌやｖｏｌａｔｉｌｉｔｙｃｌｕｓｔｅｒｉｎｇといった事象をエージェントベースモデルから導出している．
  在这些研究中，关于收益率分布的ｆａｔ―ｔａｉｌ、ｖｏｌａｔｉｌｉｔｙ　ｃｌｕｓｔｅｒｉｎｇ这些现象是从主体库模型中推导出的。
• Ｃ４．５における決定木やＲＤＲ法における二分木のような知識ベースモデルは，分割方法とそれによって分割された部分集合に対する代表クラスから構成されていると見なすことができる．
  Ｃ４．５中的决策树和ＲＤＲ法中的二叉树知识库模型，可以看作是由分割方法及按照这种方法分割的子集的代表分类所构成的。
• 平成１５年度環境技術開発等推進費における研究開発実施課題について（その３）遺伝子地図と個体ベースモデルに基づく野生植物保全戦略の研究?サクラソウをモデル植物として
  由平成１５年度环境技术开发等促进费资助实施的研究开发课题（之三）根据基因图谱和个体基础模型研究野生植物保护战略－以报春花为范例植物－
• これは，また，［Ｊｅｇａｄｅｅｓｈ９３］や［Ｃｈａｎ９６］らによる「情報に対する過少反応仮説」をエージェントベースモデルを用いてモデル化し厳密に実証するものでもあった．
  这同时也是［Ｊｅｇａｄｅｅｓｈ９３］和［Ｃｈａｎ９６］等人利用介质基本模型将“像对于信息的过少反应假说”模型化，严密证实过的问题。
• 表には伸縮性ニューロタガーと統合システムの精度を示しているほか，これらとの比較のため，ベースラインモデル，　ＨＭＭ，そしてルールベースモデルのそれぞれの精度も示している．
  表中显示了与伸缩性神经网络相合并的系统的精确度之外，为了与此进行比较，也显示了基线型号，　ＨＭＭ，以及规则基础型号各自的精确度。
• 本論文では，情報伝達過程をエージェントベースモデルを使って明示的にモデル化することによって，情報伝達にまつわるラグや歪みが，市場価格形成，特に予測可能性にどのような含意を持つのかを調べる．
  本论文中，使用主体库模型来明确对信息传播过程进行模型化，以此来调查围绕着信息传播中的滞后、歪曲对市场价格的形成，特别是对可预测性具有什么样的意义。
• 属性が平均的に分布する概念ベースモデル８）（総属性数Ｍ，平均属性数ｒ）を用いると，すべての概念間の平均的な類似度？Ｒは以下で与えられる（属性値は均一で＠ｅｑｕａｔｉｏｎ＿０＠と仮定）．
  如果使用属性平均分布的概念库模型８）（总属性数Ｍ、平均属性数ｒ），所有概念间的平均相似度Ｒ按下式被给出（假设属性值是相等的为＠ｅｑｕａｔｉｏｎ＿０＠）。
• この精度はタグづけの主要手法とされてきた隠れマルコフモデルのそれ（８９．１％）よりはるかに高く，誤り駆動学習で得られた書き換え規則のみで構成されるルールベースモデルのそれ（９３．５％）よりも高かった．
  这个精确度比被看作是添加标签的主要方法隐藏的马尔可夫型号（８９．１％）要高得多，比只根据错误驱动学习得到的重写原则构成的规则基础型号（９３．５％）也高。
• 抽象モデルであるクラス相当の記述を禁止してはいないが，ＰＬではないＯＯＤＪでは特に支障はないので，簡潔さを保持するためインスタンスに対応する記述構文しか定義しないオブジェクトベースモデルを用いた．
  并没有禁止作为抽象模型的与类别相当的记述，但是，并不是ＰＬ，如果是ＯＯＤＪ的话并没有特别的障碍，因此，为了保持简洁度，使用了只定义了与对象实例对应的记述句法的对象基础模型。
• 我々は以前，投資家間における情報伝達過程の資産価格形成への影響を分析するために，口コミモデル（ＷｏｒｄｏｆＭｏｕｔｈモデル．以下ＷＯＭモデルと書く）と呼ぶあるエージェントベースモデルを提案した（［下川０６］）．
  以前，为了分析投资家之间的信息传播过程对资产价格形成的影响，我们提议了称为口碑传播模型（Ｗｏｒｄ　ｏｆ　Ｍｏｕｔｈ模型，以下记作ＷＯＭ模型）的一种介质基本模型（［下川０６］）。