1) sequential optimization
序贯优化
1.
Combining the tolerance-cost model with the optimal design model this paper established an optimal model for product economic design and performed a sequential optimization.
介绍一种近似模拟产品性能指标和设计变量之间函数关系的响应曲面建模方法(RSM),进行容差设计并建立容差-成本模型,将容差-成本模型与设计最优化模型相结合,即建立产品的经济设计最优化模型并进行序贯优化。
2.
This model is then used in the sequential optimization.
将容差——成本模型与设计最优化模型相结合,即建立产品的经济设计最优化模型并进行序贯优化。
3) sequential minimal optimization
序贯最小优化
1.
After the analysis of the difficulties in training SVM and a survey of some popular methods and their relationship, sequential minimal optimization (SMO) and its improved versions are discussed in detail.
该文从分析SVM训练问题的实质和难点出发,结合目前一些主要的SVM训练方法及它们之间的联系,重点阐述当前最有代表性的一种算法——序贯最小优化(SMO)算法及其改进算法。
2.
At present sequential minimal optimization (SMO) algorithm is a quite efficient method for training large-scale support vector machines (SVM).
序贯最小优化(sequential minimal optimization,简称SMO)算法是目前解决大量数据下支持向量机(support vector machine,简称SVM)训练问题的一种十分有效的方法,但是确定工作集的可行方向策略会降低缓存的效率。
3.
Working set selection is an important step in the sequential minimal optimization (SMO) type methods for training support vector machine (SVM).
针对标准序贯最小优化(sequential minimal optimization,SMO)算法采用可行方向工作集选择策略所带来的缓存命中率低下问题,给出了SMO类型算法每次迭代所带来的目标函数下降量的二阶表达式,并据此提出了一种改进的工作集选择策略。
4) Sequential Minimal Optimization(SMO)
序贯最小优化
1.
When Keerthi s Sequential Minimal Optimization(SMO) algorithm is applied to the classification of unbalanced datasets,it not only leads to a poor classification performance but makes the result unstable.
为了解决Keerthi改进的序贯最小优化(SMO)算法在处理非平衡数据集时,整体分类性能较低、稳定性差等问题,对两个类别施加不同的惩罚系数的方法对算法作进一步改进,同时给出计算公式及算法步骤。
2.
The algorithm searched for the optimal distribution of support vectors unlike the sequential minimal optimization(SMO) algorithm focusing on the convergence of object function.
不同于序贯最小优化(SMO)收敛目标函数的思路,该算法寻找支持向量在最优状态下的分布,对Karush-Kuhn-Tucker(KKT)条件不敏感,并可获得解析的最优值。
5) sequential optimum design
序贯优化设计
6) sequential optimization algorithm
序贯优化算法
1.
An adaptive sequential optimization algorithm based on the Kriging surrogate model is proposed in this paper.
提出了一种基于Kriging代理模型的自适应序贯优化算法。
补充资料：优化序
优化序
majorization .ordering
优化序〔业恤加位扣.《列曰魂;Ma岌。p.po皿皿.邓叩叭-0，”....e」[补注]设夕=(p:，…，v。)和q二(g:，’.‘，砚。)为l，范数相等的非负实数的n元组，即 }夕l=夕l+“’+几=}任卜叮:+…+g，，则p称为被q所优超的(切句。斑团)，当且仅当万:《矶，万:+瓦簇玩+矶，一，万，十一+瓦_，簇瓦十…十瓦一，，其中(瓦，…，瓦)是n元组(p:，二，p。)重新排序使得万，》…)瓦后所得.这样就定义一个偏序(padialo庄Ier)，它以各种名称出现于数学的各个分支:优化序物划丽妙。政功℃八1坦】o沈己tionor-由比堪)、修攀侈序(s沪刘腼tipno血ring)、snap二序(Snappero欣垃唱)、Ehi留n妇山n序(Ehi拙~。卜由均唱)、支配序(由面卿拙。地苗飞)、混合序(浏民.ingo灿颐ng)、自然序(朋灿阁以由山g)，··~… 用符号p代q代表q优超p.关于优化序的若干结论列举如下. 如果p吠q，则对于任意一元连续凸函数中，有艺价(夕。)《艺中(叼‘). 一个非负实数矩阵Q称为双随机的(面证勿stod扭-stic)，如果它的所有行和与列和全等于1:即对所有的k一1，一”，艺‘、，‘一l，艺，q，J一l·于是，p长q当且仅当存在双随机矩阵Q使得p=Qq. 令A为一H即面te(nx的矩阵，又=(又:，…，又。)为其本征值的”元组，a=(al;，…，气。)为其对角线上元素的”元组.则a吠几(【Al】).反之，如果a吠又，则存在一个实对称(作x的矩阵，具有本征值又和对角线元素a(【A21，1 A31).%26为ur的结果(fAll)可重新表述为:a属于S。又={。七。为置换(矩阵)J的凸包，这一形式的结果可推广如下.设G为一紧1主群(球g幻up)，g为其位代数t(球司罗bla);令T为G中一个极大环面，W是相应的职阳帅群(节儿尹g幻叩).考虑G在g上的伴随作用.则赚(T)Cg中的评轨道对应于g中的G轨道.在g上取定一个G不变度量.则一条G轨道到疏(T)的正交投射是相应的W轨道的凸包(【A18】).在辛几何框架内更为一般的结果见【A191. 设I是【O，①)中的一个开区间，函数f:尸~R称为歇加叮凸的(%26上址田n谈沈)，若对p，q‘尸，由p吠q可推出f(p)镬f(们.于是，f是S比ur凸的当且仅当它是对称的，即对一切置换。有f(aP)=f(川，且对一切i笋j有 (，‘一。)(咎一粤、)。. 、‘一，，、刁p‘刁药/这一条件常称为歇加江条件(S之讲co以垃ion). 对于每个非负实数的n元组p，定义函数〔川(x): r。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条