训练样本造句

同时为了保*学习的精度，采用往初始训练样本集中加入边界样本和错分样本的策略来更新训练样本集，迭代训练直到错分样本数目不变为止。

该类学习机也是在少训练样本集上构造的。

对大规模训练样本的支持向量机训练问题进行探索，提出了一种基于正交表的并行学习算法。

在MATLAB环境下对所研究的图像重建用RBF神经网络进行训练，并通过有限元法获得训练所需要的训练样本集。

用周期函数，有限项傅立叶级数，作为激励函数来获取训练样本。

对于神经模糊系统的过拟合问题，本文提出了一种训练样本、检验样本的选择方法以及一种最佳训练次数的确定方法。

为了防止人为的造成训练后的网络过多的倾向于某一故障类型，各故障类型的训练样本数量不应相差太多。

以SD为初始模型的最大后验概率方法在150个训练样本时识别效果最好，可以达到90．4％ 。

采用灰*理论中的等维新息思想构建训练样本，建立了等维新息神经网络预测模型。

当子分类器均受训练样本分布影响较小，组合结果也具有较好的稳定*。

并使用考种的数据作为神经网络训练样本的实例，得到统计分析数据。

以2001年5~10月全太湖26个采样点的实测水文、水质、气象等资料作为输人因子，建立了训练样本、检验样本和测试样本，并以各采样点的浮游植物量作为输出因子。

本文对径向基函数网络提出了一种新的学习算法，利用最小均熵差准则对训练样本进行模式聚类。

本文主要研究由给定的训练样本集，如何选择最优小波包基，从被识别或分类的信号中提取具有最大可分*的特征。

该算法将聚类方法和knn算法的优点结合起来，从而达到缩减了训练样本数量，减少了算法计算量，加快检索速度的目的。

首先采用共享草图算法从目标训练样本集中学习得到目标的活动基模型，然后把活动基模型嵌入粒子滤波观测模型中。

该模型能够自动生成模型训练样本集，从而根据时间和生产条件的变化而自动调整以预报钢水温度。

本文采用基于知识的人工神经网络模型模拟微带径向短截线的特*，利用已经具有的先验知识减小神经网络输入输出映*关系的复杂程度有效减少了训练样本的数量。