運(yùn)行實質(zhì)上是程序變量按照程序員指定的邏輯相互影響來執(zhí)行的。Concas等[1]研究了十余款大型軟件系統(tǒng)，發(fā)現(xiàn)了軟件系統(tǒng)中的變量分布符合冪律分布，具有非常明顯的復(fù)雜網(wǎng)絡(luò)特征。為了提高軟件系統(tǒng)的安全性，就應(yīng)該找出那些重要變量，因為一旦這些變量出現(xiàn)問題就會給軟件系統(tǒng)帶來巨大的損失，如何識別出重要變量是一個非常有價值的研究課題。在軟件開發(fā)過程中，軟件系統(tǒng)面臨各種各樣需要變更的情況，包括增加模塊、修改模塊和刪除模塊。這些操作通常會涉及對變量的變更，由于變量間存在依賴

5)考慮隨機(jī)解釋變量問題：其中 b0,b1為常數(shù)， x,u為隨機(jī)變量，其相關(guān)系數(shù) r(x,u ) = rxu≠0 ,E (u ) = 0 ，并有容量為n的簡單隨機(jī)樣本(yi, xi, ui) ,i = 1 ,2,… ,n ，于是 r(xi, ui) = rxu≠0 , i = 1 ,2,… ,n ，即隨機(jī)解釋變量x與隨機(jī)干擾項u同期線性相關(guān).我們知道，用最小二乘法（Ordinary Least Squares, OLS）估計模型（1）中的參數(shù) b1，得到的

0)一般地，若某變量m因另一變量n的變化而變化，則稱此變量m為變量n的相關(guān)變量[1].相關(guān)變量可分為“函數(shù)”型相關(guān)變量、“方程組”型相關(guān)變量、“不等式(組)”型相關(guān)變量[2].若某變量m不因另一變量n的變化而變化，則稱此變量m為相對于變量n的獨立變量,獨立變量有哪些情形呢？文章就此做一點思考，整理如下：1 顯性獨立變量若題目給出的兩個變量之間具有很明顯的獨立關(guān)系，則可稱之為一對顯性獨立變量.解依題意,可設(shè)A(-1,0),B(1,0),C(cosα,sinα

思考,掌握可分離變量的微分方程及其解法。知識目標(biāo):1.理解可分離變量的微分方程的概念;2.掌握可分離變量的微分方程的解法;3.熟悉用分離變量法解決實際問題的方法和步驟。能力目標(biāo):1.能夠用可分離變量的微分方程的概念來判定微分方程是否是可分離變量的微分方程;2.能根據(jù)實際問題建立微分方程;3.能夠求解某些簡單的可分離變量的微分方程的解。人文目標(biāo):初步了解“實踐-認(rèn)識-實踐”的規(guī)律。教材內(nèi)容分析 可分離變量的微分方程是高等數(shù)學(xué)一元函數(shù)微分和積分的綜合應(yīng)用。重點

會遇到一類含有雙變量的不等式問題。由于變量多且復(fù)雜，學(xué)生感到很棘手，找不到突破點，解題的錯誤率非常高。其實，我們可以化雙變量為單變量，再利用導(dǎo)數(shù)這個強(qiáng)有力的工具，往往能使問題迎刃而解。一、分離變量簡潔性是數(shù)學(xué)的特性之一，因此，遇到多變量的時候，唯一目的就是化繁為簡，而分離變量就是化繁為簡的手段之一。利用分離變量這一方法處理雙變量問題，一般情況下是式子兩邊變量形式比較對稱，這樣只需把變量分離到兩邊即可解決問題。

映湘陳亞凡例談雙變量不等式解決策略文︳楊映湘陳亞凡在平時的數(shù)學(xué)學(xué)習(xí)和高考中，我們經(jīng)常會遇到一類含有雙變量的不等式問題。由于變量多且復(fù)雜，學(xué)生感到很棘手，找不到突破點，解題的錯誤率非常高。其實，我們可以化雙變量為單變量，再利用導(dǎo)數(shù)這個強(qiáng)有力的工具，往往能使問題迎刃而解。一、分離變量簡潔性是數(shù)學(xué)的特性之一，因此，遇到多變量的時候，唯一目的就是化繁為簡，而分離變量就是化繁為簡的手段之一。利用分離變量這一方法處理雙變量問題，一般情況下是式子兩邊變量形式比較對稱，這

s）就是利用綜合變量對之間的相關(guān)關(guān)系來反映兩組指標(biāo)之間的整體相關(guān)性的多元統(tǒng)計分析方法。其基本原理是：為了從總體上把握兩組指標(biāo)之間的相關(guān)關(guān)系，分別在兩組變量中提取有代表性的兩個綜合變量U1和V1（分別為兩個變量組中各變量的線性組合），利用這兩個綜合變量之間的相關(guān)關(guān)系來反映兩組指標(biāo)之間的整體相關(guān)性。其條件是：兩組變量都是連續(xù)變量，資料都必須服從多元正態(tài)分布。其基本程序是：從兩組變量各自的線性函數(shù)中各抽取一個組成一對，相關(guān)系數(shù)達(dá)到最大值的一對稱為第1對典型變量，

康△隨機(jī)森林的變量捕獲方法在高維數(shù)據(jù)變量篩選中的應(yīng)用*宋欠欠1李軼群2侯 艷1李 康1△目的探討隨機(jī)森林（RF）的變量捕獲方法在高維數(shù)據(jù)變量篩選中的應(yīng)用。方法通過模擬實驗和實際數(shù)據(jù)分析，對兩種變量捕獲（vh.md，vh.vimp）和逐步剔除方法（varSelRF）進(jìn)行比較，并通過選入變量的數(shù)目、模型預(yù)測錯誤率（PE）和受試者工作特征曲線下面積（AUC）對其進(jìn)行評價。結(jié)果模擬實驗表明，在變量具有聯(lián)合作用、交互作用和弱獨立作用情況下，變量捕獲方法均明顯優(yōu)于v

可行解是指當(dāng)非基變量全取0 值時，基變量取得非負(fù)值而形成的一個解。此時的基變量對應(yīng)的系數(shù)列向量線性無關(guān)，并構(gòu)成線性規(guī)劃標(biāo)準(zhǔn)型中約束方程組系數(shù)矩陣的最高階的非奇異方陣，即這些列向量為約束方程組系數(shù)矩陣所有列向量的最大線性無關(guān)組，稱為線性規(guī)劃問題的基。事實上，在單純形法中，正是其中的線性無關(guān)性，才可以保證在每一次迭代中都可以求出非基變量的檢驗數(shù)并確定新的進(jìn)基變量，進(jìn)而又要保證確定出基變量后的新的基變量組合仍為基本解，即保證新的基變量對應(yīng)的系數(shù)列向量線性無關(guān)。由

陣數(shù)據(jù)分析，通過變量變換的方法把相關(guān)的變量變?yōu)槿舾刹幌嚓P(guān)的綜合指標(biāo)變量。endprint主成分分析法（Principal component Analysis，PCA）也稱主分量分析或矩陣數(shù)據(jù)分析，通過變量變換的方法把相關(guān)的變量變?yōu)槿舾刹幌嚓P(guān)的綜合指標(biāo)變量。endprint主成分分析法（Principal component Analysis，PCA）也稱主分量分析或矩陣數(shù)據(jù)分析，通過變量變換的方法把相關(guān)的變量變?yōu)槿舾刹幌嚓P(guān)的綜合指標(biāo)變量。endprint

線性的本質(zhì)是解釋變量之間存在線性相關(guān)。多重共線性的解決有多種經(jīng)驗性方法，這些方法因模型和樣本數(shù)據(jù)的不同而各異，其中一類比較常用而且簡單的辦法是“剔除變量法”，即剔除引起多重共線性的解釋變量，以達(dá)到解決多重共線性問題的目的。實施剔除變量法的關(guān)鍵是確定哪一個或哪些變量應(yīng)該被剔除，因此需要確立剔除依據(jù)。文獻(xiàn)[1,2]認(rèn)為可以根據(jù)方差膨脹因子（VIF）的大小來選擇被剔除變量，VIF最大的變量應(yīng)首先剔除。該依據(jù)的理由是，VIF最大的變量與其余變量的相關(guān)性最強(qiáng)，因而是

09）三角域上雙變量Chebyshev多項式及其與Bernstein基的轉(zhuǎn)換江 平， 洪為琴（合肥工業(yè)大學(xué)數(shù)學(xué)學(xué)院，安徽 合肥 230009）為了更好的解決三角域上的Bézier曲面在CAGD中的最佳一致逼近問題，構(gòu)造出了三角域上的雙變量Chebyshev正交多項式，研究了與單變量Chebyshev多項式相類似的性質(zhì)，并且給出了三角域上雙變量Chebyshev基和Bernstein基的相互轉(zhuǎn)換矩陣。通過實例比較雙變量Chebyshev多項式與雙變量Bern

研究工作是關(guān)于單變量PID控制的,有關(guān)它的理論及設(shè)計已經(jīng)很好地建立、理解并且實際應(yīng)用。但是整個多變量PID系統(tǒng)還不成功,而大多數(shù)的工業(yè)過程在本質(zhì)上是多變量的。因此為了在多變量過程中成功地應(yīng)用PID控制,需要對多變量交互作用做系統(tǒng)論述。主要的一流控制公司把多變變量系統(tǒng)的耦合列為工業(yè)界首要的共同課題。為了達(dá)到像單變量情況同樣的成熟程度和流行性,對多變量PID控制必須建立更好的理論與設(shè)計。這本專著把對多變量過程的相當(dāng)全面、最新的和詳盡的研究匯集在一起,從配對、增