一种迭代保留信息变量以在多元校准中选择最优变量子集的策略。 可以选择最优变量子集的方法。 在本研究中，一种考虑可能的策略提出了变量之间通过随机组合产生的交互作用，称为迭代保留信息变量 (IRIV)。 此外，变量被分为四类强烈信息量、弱信息量、非信息量和干扰变量。 在此基础上，IRIV 既保留了每个迭代轮中的强信息变量和弱信息变量，直到没有无信息和干扰变量存在。 三个数据集被用来研究 IRIV 的性能以及偏最小二乘法 (PLS)。

#2.2_Variable_变量_(PyTorch_tutorial_神经网络_教学)

介绍滑模结构的一篇入门文章， 很不错.由滑模变结构创始人写作。很适合滑模结构入门读者

基于自标度数据的偏最小二乘（PLS）回归系数是一个重要变量的理论，云永欢等提出了一种新的变量选择策略&迭代变量子集优化（IVSO）。在这项工作中，每个子模型中产生的回归系数都被规范化以消除影响。在每一轮迭代中，将从子模型中得到的各变量的回归系数相加，以评估其重要性水平。采用加权二元矩阵抽样（WBMS）和序贯加法两步法，以竞争的方式逐步、温和地消除非信息变量，降低重要变量丢失的风险。此外，还考虑到，通过交叉验证产生的潜在变量的最佳数量将对回归系数产生很大的差异，有时这种差异甚至可以变化几个数量级。

Calculus single variable the seventh edtion, the orignal pdf, 745 pages

1995-Discrete-time-variable-structure-co.pdf

本方法旨在评估用于电气设备的部件。它的目的是确定部件承受中度至重度振动的能力，这些振动是由运输或现场操作产生的运动结果。这种类型的振动可能会干扰操作特性，特别是如果重复的压力导致疲劳。这是一项用于部件鉴定的破坏性试验。它通常适用于空腔型封装。

Regularization and variable selection via the elastic net.pdf

在模糊变量的期望值和连续阿基米德三角形范数的期望值下，讨论了模糊决策系统中与T无关的LR模糊变量的更新过程和更新奖励过程。 首先，讨论了具有T无关的LR模糊到达时间的更新过程，获得了更新变量，平均更新时间和（模糊）测度中的长期更新率的一些极限定理，并证明了模糊基本更新定理长期预期续订率的上限。 其次，讨论了具有独立于T的LR模糊到达时间和奖励的更新奖励过程，推导了（模糊）测度中奖励率的极限定理，并证明了期望奖励率的极限值的模糊更新奖励定理。 最后，与随机对应项的比较显示出收敛模式之间的有趣且合理的同源性，以及模糊更新过程中的结果与随机更新过程中的相应结果之间的极限值，尽管它们建立在两个本质上不同的数学基石上，即可能性理论和概率理论分别。

基于源码修改JDBC8驱动连接Mycat1.6报错 Unknown system variable 'query_cache_size' ，配置好mycat相应配置直接bin目录启动即可