基于α-β和δ-ε滤波器的机动目标跟踪

机动目标跟踪算法工程化问题一直是个难点。文中提出了基于α-β和δ-ε滤波器联合来跟踪机动目标,该算法不仅克服了两种滤波器对机动目标跟踪的不足,且计算简单,容易工程实现,并对机动目标有很好的跟踪效果。仿真实验结果表明了该算法的有效性。

Hilbert空间上的(δ,ε)-近似保正交映射

在复Hilbert空间中,给出了(δ,ε)-近似保正交映射的定义,证明了非零(δ,ε)-近似保正交线性映射有界并且是下有界的,得到了有界线性映射成为(δ,ε)-近似保正交线性映射的一个充分条件.

极限概念中“ε-δ”的剖析

从三个方面阐述了如何抓住“ε-δ”定义的实质,来正确理解极限定义,并举例说明对任意给定的ε>0,如何去寻找正数δ的方法。

高师学生应用“ε-δ”数学语言能力调查研究

通过对数学专业近百名学生应用“ε-δ”语言证明函数连续性进行问卷调查研究,分析学生掌握基本概念情况,并提出高师数学基础课教学中应切实加强双基训练.

非ε-δ语言微积分(英文)

用D-语言方法建立了微积分理论的新体系.D-语言方法实质上是拓扑学中刻画收敛的滤子基方法, 该方法将序列收敛与集列收敛,函数极限与集值函数极限相结合,具有简明化、图解化、算法化、易于掌握等优 点.<正>In this paper, by using D-language, new interpretation of e-S calculus is given. The nature of D-language method to describe convergence is given. It is the filter base method in topology. The D-language method combines the convergence of sequence with the convergence of set sequence, the limit of function with the limit of set value function has the advantages of simplification, graphic, algorithm and easily-mastered.

关于“ε-δ”定义的一道习题

数学分析是大学数学专业的一门重要基础课,几乎是所有后继课程的基石.探讨了关于"ε-δ"定义的一道习题的证明.

不等式约束极大极小问题一个新的(ε,δ)-广义投影可行方向法(英文)

结合Armjio线搜索和(ε,δ)-广义投影技术,本文提出了求解不等式约束极大极小问题一个新的广义投影可行方向法.在算法的每一步迭代中,其搜索方向由一个新的(ε,δ)-广义投影显式给出.在较温和的假设下,新算法具有全局收敛性和强收敛性。

据数列极限定义谈“ε- N”“ε- δ”的语言教学

数列极限的ε－Ｎ定义是极限概念的基础，通常比较难理解。笔者通过从直观描述到精确的定义，逐步深入来讲述ε－Ｎ，ε－δ，就其语言教学的难点。

保正交映射与正交性方程的稳定性

研究了保正交映射与正交性方程的稳定性,给出(δ,ε)-近似保正交映射的概念,证明了线性(δ,ε)-近似保正交映射是有界的,线性保正交映射在"线性(δ,ε)-近似保正交"意义下是稳定的,得到了线性映射T是(δ,ε)-近似保正交映射的一个充分条件.证明了在一定条件下,正交性方程是稳定的.

Viterbi和DTW算法的关系分析——在非特定人手语识别中的应用

在经典的模式识别理论中,Viterbi算法代表了统计概率的模式匹配算法,而DTW算法代表了模版匹配的模式匹配算法,它们之间是否存在关系至今尚无定论.为了找到这两种算法之间的关系,在"类别隶属度"是广义概率的假设前提下,应用模糊数学的理论在Viterbi算法与DTW算法之间建立起联系.首先,提出了利用模糊数学的贴近度把DTW算法的"距离"向Viterbi算法的"概率"转化的通用贴近度表达式,并对通用贴近度表达式给出了理论上的证明.其次,应用DTW的通用贴近度表达式重估HMM参数,建立DTW算法与Viterbi算法之间的模糊贴近度关系,并为此提出了δ-ε算法,得到基于数据帧的类似于HMM的参数重估形式.然后,为了确保建立DTW算法与Viterbi算法之间的模糊贴近度关系的正确性,以定理的形式给出了相应的证明.再次,通过设定的DTW贴近度表达式对HMM参数重估的过程中,发现了DTW贴近度的重估参数与HMM重估参数之间存在着的模糊关系,以定理的形式对这种模糊关系加以证明.最后,依据上述定理提出了Dtw-ViterbiⅠ,Ⅱ,Ⅲ算法,以定理的形式对Dtw-ViterbiⅠ,Ⅱ,Ⅲ算法的正确性加以证明,并将对Dtw-ViterbiⅠ,Ⅱ,Ⅲ算法应用于非特定人手语的识别.实验表明,把DTW算法的路径搜索策略以概率的形式引进到Viterbi算法中,能够以削减候选词集的方式部分消除非特定人手语识别的误识,从而提高大词汇量情况的下非特定人手语识别的识别率和速度.

HPM视角下极限概念的教学案例

本文展示教学案例"数学史融入极限概念教学"的设计、实施和评价过程.从学生认知、思想方法和数学史三个维度来设计课堂教学,经试验和调查,数学史材料有机的融入到极限概念教学中有助于学生更好地理解极限的概念,并总结出数学史融入数学教学的一般流程.

多元线性回归的一种神经计算实现及其优点

给出了用模糊感知器学习算法和(ε,δ)准则估计多元线性回归模型回归系数的详细算法,讨论了学习速率、ε和δ的设定;并与经典的回归系数估计方法最小二乘法作比较,发现总体拟合最好的特性对于含异常数据(noisydata)的情况反而会使预测值背离事实更远,而基于模糊感知器的学习算法实现线性回归具有编程简单、对数据无特殊要求而且对数据的容错性较高的优点,可用来实现数据挖掘所需要的预测和异常检测功能。

极限证明的改进

用极限的严格定义证明了三个定理,在定理的基础上再证明极限问题时,就可避开使用抽象的ε、δ和N.

基于新的网格存优策略的多目标归档算法

网格方法被多个进化算法用来保持解集的分布性。基于ε支配概念的ε-MOEA本质上也是基于网格策略的。虽然ε-MOEA通常情况下都能在算法性能的各方面之间取得较为合理的折衷,但是由于其存在固有缺陷,很多时候表现出不容忽视的问题——当PFtrue对某一维的变化率在该维不同区域的差异较大时,解集中边界个体或代表性个体丢失——严重影响解集的分布性。针对这一问题,定义了一种新的δ支配概念和虚拟"最优点"的概念,提出了一种新的网格存优策略,并将之应用于更新进化多目标归档算法的归档集。实验结果显示,基于新的存优策略的进化多目标归档算法(δ-MOEA)具有良好的性能,尤其在分布性方面比NSGA2和ε-MOEA好得多。

极限定义证明中若干错误分析

为使学生更加深刻的理解极限语言 ,列举了学生易犯的几类具有代表性的典型错误 ,如关于放缩中出现的问题和关于 N,ε的错误 ,并从极限基本定义出发 ,分析了各类错误产生的原因 。

关于一致连续函数的几个问题

首先讨论如何利用一致连续的定义及其否定形式来证明函数一致连续与非一致连续,其次给出了连续与一致连续的关系。最后介绍连续模数及有关一致连续函数的性质。

一种使用(ε,δ)连接区域分割图象的新算法

图象中目标具有相似灰度特征，在分割中，我们应考虑区域的整体灰度以及相邻象素灰度的变化，它们依靠于范围参数ε和毗邻参数δ。本文介绍了灰度图象的（ε，δ）连续区域及其模糊边缘测度，提出了通过相对模糊边缘度调整（ε，δ）参数，利用（ε，δ）目标连接集分割图象的一种新算法。实验结果表明该算法分割效果较好，提取边缘精度较高。

极限定义验证极限

极限概念是数学分析的最基本概念,用“ε-N”方法验证数列的极限、用“ε-δ”方法验证函数的极限是加深理解极限概念的重要途径,又是学生学习的难点,为突破难点,文章提供了一些证题思路和方法 。

微乳液相行为的研究进展

对常用的微乳液相图———Winsor相图、δ-γ(T-γ)“鱼状”相图和ε-β“鱼状”相图的绘制方法、特点以及微乳液相关参数的计算等进行了介绍。Winsor相图直观简单,但提供的信息较少;δ-γ(T-γ)“鱼状”相图能得到微乳液组成的参数;εβ-“鱼状”相图则既能直观地观察到相态的变化,又能得到平衡界面膜的组成等性质。比较了三种相图的优缺点。

函数极限定义中的三明治结构

本文展示了函数极限ε-δ定义中的三明治结构,其中参数ε对应三明治结构中的“面包厚度”,δ对应“面包半径”,此外还有两个位置参数.