负矩造句

造句与例句手机版

非负矩阵谱半径的新估计
关于非负矩阵谱半径界的注记
非负矩阵的数值域
非负矩阵谱半径的一个新界值估计
有关非负矩阵谱半径及分离度界的估计
这一部分结果的论证建立在非负矩阵的理论基础上。
逆的非负矩阵的进一步研究
代数上的非负矩阵与正定元的几何平均
非负矩阵分解及其在基因表达数据分析中的应用
对于给定的一个n阶实方阵a ，若其每一元素非负且半正定，则称为双非负矩阵。
用负矩造句挺难的，這是一个万能造句的方法
文[ 3 ]中，李宗山等把非负矩阵的基和周期的概念推广到powerful符号矩阵。
然后,对获得的类人脸肤色区域利用nmf ( non - negativematrixfactorization )非负矩阵分解的方法提取人脸局部特征子空间。
通过半群理论、非负矩阵性质和不等式技巧，得到估计这类方程平衡态渐近稳定域的方法。
首先通过主元分析算法( pca )提取全局特征,利用带稀疏限制的非负矩阵分解算法( nmfs )提取局部特征。
本文主要采用snmf (非负稀疏矩阵分解)算法作为降维和提取特征向量的工具,该算法是在nmf算法的基础上加上显式地稀疏因子控制而形成的一种非负矩阵分解方法。
在众多的特征提取算法中,基于全局特征提取的主元成分分析( principlecomponentanalysis , pca )是讨论最多的经典算法,与此对应的是基于局部特征提取的非负矩阵分解( non - negativematrixfactorization , nmf )算法。
显式方法具有简单，消耗内存小等优点，并采用当地时间步长、变系数隐式残值光顺等加速收敛措施，在定常流动的模拟中得到了广泛的应用;根据yoon和jameson提出的简化正、负矩阵分裂，构造的l 、 u算子只需进行标量对角阵求逆，极大提高了流场数值求解过程的计算效率;采用newton类型的伪时间子迭代技术使时间推进精度提高至二阶。
本文提出了一种基于非负矩阵稀疏分解( non - negativematrixfactorizationwithsparsenessconstraints , nmfs )和rbf神经网络的人脸识别方法。通过控制稀疏度, nmfs算法既可提取人脸全局也能提取局部特征,再运用rbf神经网络进行模式分类。
与pca (主分量分析)和vq (矢量量化)等降维算法不同, nmf (非负矩阵分解)算法能够分解出非负的,稀疏的特征矩阵和编码矩阵,能够提取原始数据向量的局部特征,使基于局部特征进行分类的聚类算法更容易实现。