高维空间造句

高维空间的造句

• 该方法能计算并最大化高维空间中的多模式聚集特征向量距离，由于具有满足三角不等式和非奇性的特性，相对于其他两种方法，它提高了检测性能。

• 摘要在二维或更高维空间中，小波不能有效地表达沿边缘间断的物体。

• 方向平面点有根有据，是研究高维空间的最新进展。

• 高维空间的最大距离

• 数据分析表明，该算法能有效地发现高维空间数据集中的离群点。

• 介绍了高维空间几何学的一些基本定义，并在此思想上，提出了自相关夹角法对语音信号进行特征提取。

• 支撑矢量机把各个识别特征映射到一个高维空间，并在高维空间中构造最优识别超平面分类数据，实现通信信号的调制识别。

• 本质上，解决多元样条函数空间的插值结点的适定性问题关键在于研究分片代数曲线，在高维空间里就是研究分片代数簇。

• 把核主成分分析应用到人脸识别中，利用核主成分分析方法选择合适的核函数在高维空间提取人脸图像的主成分。

• 把遗传算法和支持向量机技术结合，并采用滤波策略，用来进行高维空间的特征选择，以解决多类别样本的分类问题。

• 子空间方法最初是线性特征抽取和数据压缩的产物，其作用是将矢量形式给出的数据压缩到能量集中的主轴上，实现数据从高维空间向低维空间映射。

• 确定多尺度函数所生成的多子波是灵活运用多子波理论的一个重要环节，在一定的条件下，它可以等价地转化为一个高维空间中的优化问题。