ランダムウォーク造句

• そこで次に，ランダムウォークで得られる歩行長がどのような分布になるかを調べた．
  所以接下来研究随机行走得到的步长会如何分布。
• そこで，これを明らかにするためにＮ　＝　２５のランダムウォークテストを行った．
  所以为了明确此问题，进行了Ｎ　＝　２５的随机行走。
• まず，２値系列｛Ｂｎ｝によるランダムウォークを定式化しよう．
  首先，用公式表示二元序列｛Ｂｎ｝的随机行走。
• ．事前学習フェーズこのフェーズでは問題空間中においてｗステップのランダムウォークを行う．
  ．事先学习阶段在此阶段，在问题空间中进行ｗ步骤的随机移动。
• ３章では擬似乱数の検定として用いられたランダムウォークテストを考察し，その問題点を指摘する．
  第３章中，考证被用作伪随机数的检定的随机行走测试，并指出其问题点。
• したがって検定の能力と検定の効率を考えてランダムウォークの状態数を設定する必要があると考えられる．
  这样，我们认为就需要考虑检定的能力和效率设定随机行走的状态数。
• 歩行長の分布に関する頻度検定を行うために，次のようなランダムウォークに関するシミュレーションを行った．
  为了进行有关步长分布的频率检定，进行了以下关于随机行走的模拟试验。
• 表４は，ｂ　＝　３．７，ｃ　＝　０．３としたときのＮ　＝　２５のランダムウォークテストの結果を示している．
  表４表示了设ｂ　＝　３．７，ｃ　＝　０．３时Ｎ　＝　２５的随机行走结果。
• このような気流場の情報に基づいて，沈着を考慮したランダムウォークモデルを用いて濃度と沈着量の計算を行った。
  根据这样的气流场信息，使用考虑了沉淀的随机游动模型，计算了浓度和沉淀量。
• これに対して，同じ空間上をロボットがランダムウォークした場合のゴールまでのステップ数の変化を図６に示す．
  与此相对，在相同空间上机器人随机移动时，抵达终点为止步骤数的变化如图６所示。
• 図２，図３は，式（１），（２）から得られる２値系列を用いて，ランダムウォークを行った場合の歩行長の分布を表している．
  图２、图３表示的是运用由式（１）、（２）获得的二元序列进行随机行走时的步长分布。
• 特に，どのような状況において，ランダムウォーク仮説が否定され，予測可能性（正の自己相関）が創出されるのかに注目している．
  尤其关注在什么样的情况下，否定掉随机游走假说，创造出可预测性（正的自相关）。
• 次に，これまでＮ　＝　１３のランダムウォークを行ってきたが，このランダムウォークの状態数が十分であるかどうか不明である．
  再者，到现在为止进行了Ｎ　＝　１３的随机行走，但是不明确这个随机行走的状态数是否充足。
• 次に，これまでＮ　＝　１３のランダムウォークを行ってきたが，このランダムウォークの状態数が十分であるかどうか不明である．
  再者，到现在为止进行了Ｎ　＝　１３的随机行走，但是不明确这个随机行走的状态数是否充足。
• たとえば同じ有意水準を用いたとしても，ランダムウォークの状態数Ｎが異なればその判別する能力は異なることが容易に推測される．
  例如，即使用了相同的有效性水平，也可很容易推测若随机行走的状态数Ｎ不同则判别能力不同。
• 一方，香田らはランダムウォークにおける歩行長を用いて実数値系列の乱雑さを２値系列の乱雑さによって測る方法を提案した．
  另一方面，香田等人提出了用随机行走的步长、根据二元序列的混沌度来测定实数值序列混沌度的方法。
• このＭｅｒｓｅｎｎｅＴｗｉｓｔｅｒを用いたランダムウォークテストからどのような結果が得られるかをシミュレーションによって調べた．
  我们通过模拟试验，调查了从运用Ｍｅｒｓｅｎｎｅ　Ｔｗｉｓｔｅｒ的随机行走测试可得到何种结果。
• 前章で示したように，従来のランダムウォークテストでは，ｌにおける平均歩行長によって検定を行っているために分布の相違をとらえることができない．
  如上一章所示，在以前的随机行走中，由于进行了基于ｌ的平均步长的检定而不能获得分布的差异。
• もちろん，各検定がとらえることのできる性質はそれぞれ異なるが，ランダムウォークテストに不明な点があるので，それらを考察していくことにする．
  当然，虽然各检定可以获取的特性各有不同，但是在随机行走测试上还有不清楚的方面，我们将继续探讨。
• またランダムウォークと学習ありの場合を比べることで，学習指向の有無が環境の構造との相互作用を有効あるいは無効にしていることがわかった．
  此外，通过与随机移动与存在学习的情况对比，得知有无学习方向会将与环境结构间的相互作用变为有效或无效。