1) weight updating
权重更新
1.
Through comparing the weight updating in the traditional Adaboost algorithm,this paper presents a new algorithm of updating the weight,which combines the normalization process of the same type and between the different types.
通过比较传统的Adaboost算法中样本权重的更新算法,提出了一种新的将类内归一化与全局归一化过程相结合的样本权重更新算法。
2.
The effects of different weight updating approaches of Adaboost on the performance of classifiers are analyzed respectively.
从样本集归一化和样本权重更新两个角度分析了各种权重更新方法对分类器性能的影响，提出了一种扩展的样本权重更新方法，在保证样本整体错分率的情况下，能降低正样本的错分率。
2) Multiplicative weights update method
乘性权重更新方法
3) weight updating scheme
权值更新
1.
In this paper,a featureselection algorithm based on weight updating scheme of Adaboost and K-L distance is proposed.
本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法,在Adaboost的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost训练的特征集。
4) repurchase renewal
重置更新
5) double regeneration
双重更新
1.
Discussion on the double regeneration of old residential area environment taking some community in Wuxi city as example;
以无锡市某社区为例谈旧居住区环境双重更新
6) de-update
重更新
补充资料：因侵害姓名权、肖像权、名誉权、荣誉权产生的索赔权
因侵害姓名权、肖像权、名誉权、荣誉权产生的索赔权：公民、法人的姓名权、名称权，名誉权、荣誉权、受到侵害的有权要求停止侵害，恢复名誉，消除影响，赔礼道歉，并可以要求赔偿损失。
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