论文部分内容阅读
研究次线性期望空间下END(extended negatively dependent)阵列加权和的完全积分收敛性,将概率空间中END阵列加权和的完全矩收敛推广到次线性期望空间下的完全积分收敛.
次线性期望空间下END阵列加权和的完全积分收敛
【摘 要】
：
研究次线性期望空间下END(extended negatively dependent)阵列加权和的完全积分收敛性,将概率空间中END阵列加权和的完全矩收敛推广到次线性期望空间下的完全积分收敛.
【机 构】
：
桂林理工大学理学院,广西桂林541004
【出 处】
：
武汉大学学报（理学版）
【发表日期】
：
2021年2期
其他文献
相对传统的行人检测技术,基于深度学习的行人检测技术具有压倒性的优势,然而由于深度卷积网络规模庞大,需要专用的处理器,限制了行人检测系统的推广。针对上述问题,提出一种网络规模适中的深度卷积网络模型,在保证检测精度的前提下提高检测模型的普适性。以低维度的浅层卷积神经网络为基础,分别从网络层数、感受野大小和特征图3个角度出发搜索最优的网络结构,并通过有指导的实验评估确定最终的网络参数。在Daimler行
为有效求解自融资投资组合模型,基于粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的量子行为的粒子群优化算法(LDQPSO).在算法的设计中,借助Levy飞行策
五次循环域K作为分圆域Q(ern 2πi/m)的子域,当m是单因子,即为p≡1(mod5)类型素数或等于25时,构建了K的定义义方程,并利用多个单因子域之生成元相合成的方法,对其他情形即m是