设 F 为区域 D 内的一族亚纯函数, a(z)(≢ 0) , a1(z) 和 b(z) 为区域 D 内的全纯函数。 当 a(z) = 0 时, f (z) ≠ ∞。对于 F 中的每一个函数 f 和正整数 k (k ≥ 4) ,满足 f′(z)+a1(z)f (z)−a(z)fk(z)− b(z) 在区域 D 内至多有 1 ...设 F 为区域 D 内的一族亚纯函数, a(z)(≢ 0) , a1(z) 和 b(z) 为区域 D 内的全纯函数。 当 a(z) = 0 时, f (z) ≠ ∞。对于 F 中的每一个函数 f 和正整数 k (k ≥ 4) ,满足 f′(z)+a1(z)f (z)−a(z)fk(z)− b(z) 在区域 D 内至多有 1 个零点(忽略重级),则 F 在 D 内正规。展开更多
基于最小误差的高光谱信号识别(hyperspectral signal identification by minimum error,HySime)是一种估计高光谱端元个数的算法,该算法首先使用多元回归估计信号和噪声相关矩阵,然后使用信号相关矩阵的特征向量子集来表示信号子空间...基于最小误差的高光谱信号识别(hyperspectral signal identification by minimum error,HySime)是一种估计高光谱端元个数的算法,该算法首先使用多元回归估计信号和噪声相关矩阵,然后使用信号相关矩阵的特征向量子集来表示信号子空间。为了科学评估HySime算法,分别对不同信噪比的高斯白噪声、高斯有色噪声模拟高光谱数据以及马蹄湾村真实高光谱数据的端元个数进行估计。实验表明HySime算法自适应性强,稳定性好,在解算过程中不需要输入任何参数,就能准确估计高光谱数据的端元个数。展开更多
文摘设 F 为区域 D 内的一族亚纯函数, a(z)(≢ 0) , a1(z) 和 b(z) 为区域 D 内的全纯函数。 当 a(z) = 0 时, f (z) ≠ ∞。对于 F 中的每一个函数 f 和正整数 k (k ≥ 4) ,满足 f′(z)+a1(z)f (z)−a(z)fk(z)− b(z) 在区域 D 内至多有 1 个零点(忽略重级),则 F 在 D 内正规。
文摘基于最小误差的高光谱信号识别(hyperspectral signal identification by minimum error,HySime)是一种估计高光谱端元个数的算法,该算法首先使用多元回归估计信号和噪声相关矩阵,然后使用信号相关矩阵的特征向量子集来表示信号子空间。为了科学评估HySime算法,分别对不同信噪比的高斯白噪声、高斯有色噪声模拟高光谱数据以及马蹄湾村真实高光谱数据的端元个数进行估计。实验表明HySime算法自适应性强,稳定性好,在解算过程中不需要输入任何参数,就能准确估计高光谱数据的端元个数。