Cтраница 1
Исходное пространство Н содержится в И как всюду плотное подмножество. [1]
Часто исходное пространство Е называется основным. Так как наше изложение основных положений для случая оператор-функции ничем не отличается от изложения тех же положений для случая вектор-функции, то далее его будем вести для вектор-функций. [2]
Рассмотрим теперь исходное пространство элементарных событий, возникающее при бросании двух костей, и вычислим вероятность события СА-В, состоящего в том, что сумма очков, выпавших на костях, не превосходит четырех и что на одной из костей выпала единица. Одиннадцать элементарных событий, благоприятных событию В, были рассмотрены выше. [3]
Описание исходного пространства Я и оператора Т в терминах пространства h позволяет июпользовать для традиционных нужд теории операторов ( теория возмущений, теория рассеяния) аппарат / Агармолического анализа, классов Харда, неванлинновской теории функций. [4]
Отношения образуют некоторое исходное пространство мысли, в котором представлены понятия, суждения, умозаключения и другие абстрактные построения, получаемые в ходе моделирования. Важнейшая отличительная особенность отношений заключается в том, что между отношениями и эмпирическими объектами не имеет место отношение предикации. [5]
В координатах же исходного пространства R это достаточно неудобно, чтобы воспрепятствовать даже самым простым рассуждениям. [6]
В результате преобразования исходного пространства условия ( 16) приобретают сложный вид. [7]
Итак, в исходном пространстве с фиксированным t / i мы построили барьер, изображенный на рис. 9.5.3 6 пунктирными линиями. Знак плюс или минус в последней формуле зависит от того, на какой из этих прямых мы находимся. [8]
При работе в исходном пространстве признаков программа допускает четыре способа перебора. Все они имеют целью отыскать оптимальную комбинацию аргументов регрессии, избегая полного перебора. Однако в общем случае ни для одного из них нельзя гарантировать, что будет найден глобальный оптимум. [9]
Рассмотрим сначала случай, когда исходное пространство нормируемо, и дадим следующие определения. [10]
Очевидно, что предварительная нормировка исходного пространства, а также использование при этом весовых коэффициентов для признаков может оказать существенное влияние на результаты работы конкретного алгоритма классификации. С учетом этого в рассматриваемом ниже алгоритме организуется предварительный процесс обучения основного алгоритма выделения классов. Цель состоит в отыскании весовых коэффициентов признаков ( коэффициентов значимости или информативности), а также диаметров классов. [11]
При этом отказ от рассмотрения исходного пространства элементарных событий носит условный характер. Просто одно пространство заменяется другим. Новым пространством П случайной величины X становится вещественная прямая или ее подмножество. [12]
Если оптимальная совокупность признаков соответствует исходному пространству, выдается диагностическое сообщение. Если же число признаков N0 удалось уменьшить и при этом CRN CRopt, то сообщается состав найденной оптимальной совокупности признаков и построенная в ней разделяющая гиперплоскость считается оптимальной. Если же CRN CRoPt, то сообщается состав найденной совокупности признаков, но оптимальной считается исходная совокупность признаков. [13]
Нетрудно проинтерпретировать траекторию ХАС в исходном пространстве. [14]
Слабая и сильная топологии в исходном пространстве. После того как мы рассмотрели два типа топологии в сопряженном пространстве, наведенной исходным пространством Ф, естественно, встает вопрос, что получится, если эту конструкцию обернуть: определить на основном пространстве Ф слабую и сильную топологию, используя ограниченные множества сопряженного пространства. В случае счетно-нормированного пространства Ф нет разницы между сильно и слабо ограниченными множествами в Ф7; в общем случае под ограниченными множествами в Ф7 мы будем иметь в виду сильно ограниченные множества. [15]