1、“.....该试验网图相关性预测和真正组合导航系统数据试验网络。图预测和实际曲线日最终网络。最终网络为这个网络特征值些可能组合进行了试验。图结果有四个显著淘汰物质被报道使用第在特征值解释总变异量。是平均比例图相关性和真实数据预测最终网络。预测和实际数据之间关系直是非常高，在范围之间。图它必须强调在这种情况下神经网络能够证明有足够好信号利用主成分分析法目是为了定义正交空间向量通过大量解释信号方差旦这个空间已被定义，我们可以预测我们给第个组件上数据通过失去只有少量方差，因此这仅仅为个最低限度信息。组件数量可以直接被选择，或者可以被定义为组件数量保存个给定方差。我们总是在连续实验方差达到以上，然而显著减少输入维数，因为较高关联分析在链接流动。以划分对应特征向量减少空间在网络图获得我们所说特征图这样，我们就能有个可视化链接以便更高贡献主成分......”。

2、“.....如果他们有个积极贡献，不然它是蓝色。特征图可视化，也就是说，该程序流量矩阵和特征图，显示在接下来章节，是投影交通流到特征图电弧空间像以前样，有较高贡献和他们流量是厚颜色是红色，如果他们有个积极贡献否则他们颜色是蓝色。模拟器试验典型场景，是指那不勒斯大学运输部门所开发公路网络仿真环境。该模拟器能够重现动态机动车中交通运输需求排气流量。需要建立实验定义需求和供给运输系统，所有模型和程序必须被校准。因为这个原因，个有节点其中有个仿真及链接试验网络被使用图图第个简化网络实验图用于那不勒斯农村公路网省图解网络然后，这样做目是使更多可能应用于程序风景，个真正土地制度已经在报告中调查了它人口特征及活动地点，实际运输供应。领土范围是那不勒斯省从其农村公路网络提取图这个网络已经有节点其中有仿真和环节减少为后卸无流量联系在起......”。

3、“.....每天每分钟更新。流动对每个环节被检测到是五分钟班。这试验网络，需求是被个矩阵和节点和是起源仿真节点是仿真目地共有四个非空单元。仿真日子都是。为那不勒斯全省网络最后网络景观更为复杂。需求单元描述是由与非空单元缺乏和在这天结构高度变化过程。除了高可变性需求必须强调非空单元落下分钟间隔通常都不重叠。单元少于小时，每车都取消了，主要有两个原因首先是减少数据分散其次是因为它是非常困难，这些低数值具有统计意义，而它很可能不给他们个真实信息。最后矩阵有因此非空细胞大约占总数和投资等方面非空细胞数量大约，但随着需求减少，只有约。天也是模拟这个场景但是很显然，数据量使用有超过十几倍总要求是费。为两个网络记录数量是为需求，为链接流动。因为这个原因，每行需求至分钟间隔所涉及是三排流动有相同分钟间隔，导致个记录无论是对需求量和连接流动都是样需求......”。

4、“.....然后观察情节季节性，我们可以认为过程中方差值较低时，季节性水平较低，而相反地，当季节性价值高，它也是高。假设这点是合理，那么寻找分析存在解析关系季节性基本上是平均和方差就是可靠了。它们之间关系存在，并且这两个变量图确定过程并不是固定。从这个数字很可能认为，方差和平均相关，特别是由非线性关系二次型之。在这种情况下，个可能稳定技术方差是应用对数变换。下面结果表明，这种转变定允许我们来为指数造成结果不稳定来提高些百分比性能。然而，虽然在运输中应用是相当频繁，但是必须强调这种结果不般。平均值与方差平均值图在数据中平均值和方差之间关系。在人工神经网络应用于到估计中我们实施了在第二节详细介绍预处理，然后使方差日志转换。降维已经获得，投影在特征图上。减少后数据集划分为三个亚群使用统随机抽样第个子集已被用于培训网络......”。

5、“.....而第三个子集已被用来评估网络泛化性能数据，但是数据性能上从未见过。该模型泛化性能，进行评定使用最小最大平均误差和误差百分比后再次评定后处理网络输出方差平均值关系。测试网络总数是十二即组成部分数量，等于弧和贡献方差第块被刊登在表。第组成部分特征值方差解释信号和第解释信号方差。值得注意是那种特征流代表了总信号方差估计。下面图表显示在图中显示在网络图上头两部分特征向量二是在图显示是两个重要特征向量。结果表明，从这些情节最重大贡献，给出了电弧和第。在最后网络主成分数量和贡献迷途信号方差第个报道在表。表方差解释前五名特征值试验网络。特征值解释号码方差图。绘制图特征图前两个特征向量试行网络图前两部分图形特征流表方差解释为头十个特征值最终网络特征值解释特征值解释号码方差号码方差第个特征值总和达到以上，第解释方差特征值解释在以上，特征值能够较好地解释迷途......”。

6、“.....个完整分析十分复杂，有些方向超出了纸本范围但是，作为再看还是可能注意到种骨干中部网络。图图形特征图情节第四个特征向量最终网络图图形情节，第四个特征流最后网络神经网络应用于这份研究有很多种层拓扑连接只有前馈图它是作为输入特征图训练使用以及投影矩阵物流和产生这些流动外径为输出。隐藏节点有双曲正切活化功能同时，输出层已呈线性关系。选定拓扑结构通过交叉验证有个神经元隐藏，测试网络和最后网络输入层神经元数在取决于元件数量和使用在减少投入数量，在输出层神经元数等于淘汰数量。考虑到所有组件总数即权重参数两种模型分别是审理网络和，为最后网络。通过减少解释方差输入总数，我们降低参数数量在第个模型是和在第二个模型为，图多层感知神经网络结构估算试验网络图和个结果采用前五名特征值总变记录四个淘汰物质报道。预测和实际数据之间关系直是非常高......”。

7、“.....利用五个特征值替代了十二个。相关四个淘汰物质与第个特征值配置在范围。图预测和实际曲线进行了个淘汰物质检测，该试验网图相关性预测和真正组合导航系统数据试验网络。图预测和实际曲线日最终网络。最终网络为这个网络特征值些可能组合进行了试验。图结果有四个显著淘汰物质被报道使用第在特征值解释总变异量。是平均比例图相关性和真实数据预测最终网络。预测和实际数据之间关系直是非常高，在范围之间。图它必须强调在这种情况下神经网络能够证明有足够好信号，，，，，，，，，，，，，，，，，，，，，‟，，，，，，，，，，，，，，，，，，，，利用主成分分析法目是为了定义正交空间向量通过大量解释信号方差旦这个空间已被定义，我们可以预测我们给第个组件上数据通过失去只有少量方差，因此这仅仅为个最低限度信息。组件数量可以直接被选择，或者可以被定义为组件数量保存个给定方差......”。

8、“.....然而显著减少输入维数，因为较高关联分析在链接流动。以划分对应特征向量减少空间在网络图获得我们所说特征图这样，我们就能有个可视化链接以便更高贡献主成分。在接下来情况弧与更高贡献是较厚且他们颜色是红色，如果他们有个积极贡献，不然它是蓝色。特征图可视化，也就是说，该程序流量矩阵和特征图，显示在接下来章节，是投影交通流到特征图电弧空间像以前样，有较高贡献和他们流量是厚颜色是红色，如果他们有个积极贡献否则他们颜色是蓝色。模拟器试验典型场景，是指那不勒斯大学运输部门所开发毕业设计论文外文翻译题目基于矩阵神经网络与主成分分析法路段流量估算专业基于矩阵神经网络与主成分分析法路段流量估算，建筑环境部科学技术，米兰理工大学，意大利，通过米兰电子及信息部门，米兰理工大学，意大利，通过米兰摘要本文从矩阵估算处理方法基础上提出了道路网络链接共享计算应用技术......”。

9、“.....都模拟了个已知微型模拟器动态分配矩阵。为了输入公路网络研究数据可行性，种利用主成分分析法主成分分析技术也被用来降低输入空间变量影响以取得更好意义。版权国际会计师联合会关键词估算，神经网络，主成分分析，路段流量措施，方差稳定引言本文分析了城市网络自从年代中期以来道路循环发展问题。许多均衡与动态计划和控制方法都是基于个最初矩阵目标地址。现场调查来建立模型非常昂贵而且不能具有高重复频率。多年来因为这个原因，方法和操作方案已经试验过很多次，他们目标是建立个少成本路段流量矩阵。为了解决这难题，研究者提出了很多估算方法。些是基于平均信息量最大化，在所有可用路径上最大化在些情况下建立个没有客观参考估算评价或估算指标等矩阵模型和，。该模型后来扩展到拥挤网络中优化问题，通过制定种变分约束导致双极程序。由于非凸性和非差分......”。