三角不等式
三角不等式的相关文献在1981年到2022年内共计386篇,主要集中在数学、自动化技术、计算机技术、教育
等领域,其中期刊论文380篇、会议论文4篇、专利文献452691篇;相关期刊147种,包括数理化解题研究:高中版、中学教研:数学版、数学教学通讯:中教版等;
相关会议4种,包括第九届全国多媒体技术学术会议、2018年全国高性能计算学术年会 、2010年中国计算机大会等;三角不等式的相关文献由440位作者贡献,包括宋庆、安振平、刘健等。
三角不等式—发文量
专利文献>
论文:452691篇
占比:99.92%
总计:453075篇
三角不等式
-研究学者
- 宋庆
- 安振平
- 刘健
- 姜坤崇
- 张茜
- 秦庆雄
- 胡凤娟
- 范花妹
- 魏榜
- 匡振曦
- 吴善和
- 宿晓阳
- 李嘉兴
- 杨学枝
- 杨续亮
- 梁宗明
- 田富德
- 程汉波
- 苏化明
- 陈计
- 黄兆麟
- 丁兴春
- 任念兵
- 何灯
- 冯震震
- 刘小满
- 刘明华
- 卢国祥
- 卢杰
- 吴跃生
- 周才凯
- 张同全
- 张涵超
- 木春梅
- 李之
- 李仁发
- 李仲生
- 杨春波
- 林祖成
- 樊启祥
- 武继刚
- 王红梅
- 王鑫
- 禹亮
- 缪华柱
- 葛玉风
- 蒋敏华
- 许世安
- 许世森
- 赵贺
-
-
李勤俭
-
-
摘要:
本文围绕教学过程中如何提升“四能”,对一个三角不等式进行多角度思考,探讨其证法,并对其结论进行相关拓展,最后对新课程理念下数学学习的方法作了几点思考.
-
-
储文著;
杨续亮
-
-
摘要:
题目设△ABC的三边为a,b,c,外接圆半径和内切圆半径分别为R,r,求证:a^(2)/b+c+b^(2)/c+a+c^(2)/a+b≤3√6R √R(R-r)/4r.①(加拿大Crux杂志2020年2月问题4462)文[1]中给出了如下不等式:设△ABC的三边为a,b,c.
-
-
余娟娟;
杨续亮
-
-
摘要:
半周长为s,∑表示循环求和.求证:3r 2R≤a 2a+b+c+b a+2b+c+c a+b+2c≤3R 8r.①(加拿大杂志Crux2020年1月问题4502)本文对不等式①进行研究,得到以下结论:定理1设△ABC的三边为a,b,c,外接圆半径和内切圆半径分别为R,r,求证:a 2a+b+c+b a+2b+c+c a+b+2c≤7R+82r 3R+122r②,等号当且仅当△ABC为正三角形时成立.
-
-
-
-
秦娅;
熊良林;
付亲宏;
权沈爱
-
-
摘要:
本文通过分类讨论的方法研究最小值函数的不等式关系,具体为min{a,b},min{a,b_(1)+b_(2)},min{a,b_(1)}+min{a,b_(2)}之间的不等式关系.利用得到的不等式条件,验证泛函分析相关数学表达式是否满足不等式公理,从而验证距离公理条件,进而最终论证距离空间的合理性.
-
-
叶秀锦
-
-
摘要:
(加拿大数学杂志Crux Mathematicorum[JP]4596题[1])设a,b,c是三角形ABC三条边的长度,三角形ABC的内切圆半径为r,外接圆的半径为R.证明:a/b+c+b/a+c+c/a+b≤R/r-1/2.本文提出了一个与之相似的三角不等式,并用两种方法给以证明.
-
-
李向利;
范学珍;
逯喜燕
-
-
摘要:
针对传统模糊C-均值(FCM)算法在处理复杂结构的高维数据集时产生大规模计算量导致聚类效果下降的问题,提出一种基于非负矩阵分解的修正模糊聚类算法.首先,该算法提出了新的目标函数,采用交替迭代的方式求解该目标函数;其次,在迭代过程中利用三角不等式过滤出满足不等式条件的样本,同时采用新的隶属度更新公式,减少计算量,提高聚类性能;最后,在数据集UCI和图像数据集上进行实验,并与其他经典的FCM算法进行对比.实验结果表明,该算法提高了聚类效果.
-
-
-
王林;
贾钧琛
-
-
摘要:
随着互联网数据的快速增长,原始的K-means算法已经不足以应对大规模数据的聚类需求;为此,提出一种改进的Canopy-K-means聚类算法;首先面对Canopy算法中心点随机选取的不足,引入"最大最小原则"优化Canopy中心点的选取;接着借助三角不等式定理对K-means算法进行优化,减少冗余的距离计算,加快算法的收敛速度;最后结合MapReduce框架并行化实现改进的Canopy-K-means算法;基于构建的微博数据集,对优化后的Canopy-K-means算法进行测试;试验结果表明:对不同数据规模的微博数据集,优化后算法的准确率较K-means算法提高了约15%,较原始的Canopy-K-means算法提高了约7%,算法的执行效率和扩展性也有较大提升.
-
-
-
-
何灯
- 《全国初等数学研究会第十届学术研讨会暨广东省初等数学学会一届三次学术研讨会》
-
摘要:
在代数不等式的证明中,常会遇到x+y+z=1或xy+yz+zx=1(x,y,z>0,下同)的限制条件,而三角形中有恒等式∑tanB/2tanC/2=1(A,B,C为△ABC三个内角,∑表示轮换对称求和,下同),在代数不等式证明遇阻情况下,可尝试借助代换x=tanB/2-tanC/2、y=tanC/2tanA/2、z=tanA/2tanB/2或x=tanA/2,y=tanB/2,z=tanC/2将代数不等式转化成三角形不等式进行处理,以规避复杂的代数运算,往往能收到意想不到的效果.同样,对于限制条件为X2+y2+z2+2xyz=1或xy+yz+zx+2xyz=1的不等式,可利用三角恒等式∑cos2A+2cosAcosBcosC=1充当"桥梁",建立代数不等式与三角形不等式之间联系,以达到化繁为简的目的.
-
-
Kuang Zhenxi;
匡振曦;
Wu Jigang;
武继刚;
Li Jiaxing;
李嘉兴
- 《2018年全国高性能计算学术年会》
| 2018年
-
摘要:
传统k最近邻算法(k-nearest neighbor,kNN)在数据分类中具有广泛的应用,但该算法具有较多的冗余计算,致使处理高维数据时花费较多的计算时间.同时,基于地标点谱聚类的分类算法(LC-kNN和RC-kNN)中距离当前测试点的最近邻点存在部分缺失,导致其准确率降低.针对上述问题,提出一种基于聚类的环形k最近邻算法.提出的算法在聚类算法的基础上,首先将训练集中相似度较高的数据点聚成一个簇,然后以当前测试点为中心设置一个环形过滤器,最后通过kNN算法对过滤器中的点进行分类.其中聚类的算法可以根据实际情况自由选择.算法性能已在UCI数据库中6组公开数据集上进行了实验测试.结果表明:AkNNE与AkNNH算法比kNN算法在计算量上平均减少51%,而在准确率上比LC-kNN和RC-kNN算法平均提高3%.此外,当数据在10000维的情况下该算法仍然有效.
-
-
Kuang Zhenxi;
匡振曦;
Wu Jigang;
武继刚;
Li Jiaxing;
李嘉兴
- 《2018年全国高性能计算学术年会》
| 2018年
-
摘要:
传统k最近邻算法(k-nearest neighbor,kNN)在数据分类中具有广泛的应用,但该算法具有较多的冗余计算,致使处理高维数据时花费较多的计算时间.同时,基于地标点谱聚类的分类算法(LC-kNN和RC-kNN)中距离当前测试点的最近邻点存在部分缺失,导致其准确率降低.针对上述问题,提出一种基于聚类的环形k最近邻算法.提出的算法在聚类算法的基础上,首先将训练集中相似度较高的数据点聚成一个簇,然后以当前测试点为中心设置一个环形过滤器,最后通过kNN算法对过滤器中的点进行分类.其中聚类的算法可以根据实际情况自由选择.算法性能已在UCI数据库中6组公开数据集上进行了实验测试.结果表明:AkNNE与AkNNH算法比kNN算法在计算量上平均减少51%,而在准确率上比LC-kNN和RC-kNN算法平均提高3%.此外,当数据在10000维的情况下该算法仍然有效.
-
-
Kuang Zhenxi;
匡振曦;
Wu Jigang;
武继刚;
Li Jiaxing;
李嘉兴
- 《2018年全国高性能计算学术年会》
| 2018年
-
摘要:
传统k最近邻算法(k-nearest neighbor,kNN)在数据分类中具有广泛的应用,但该算法具有较多的冗余计算,致使处理高维数据时花费较多的计算时间.同时,基于地标点谱聚类的分类算法(LC-kNN和RC-kNN)中距离当前测试点的最近邻点存在部分缺失,导致其准确率降低.针对上述问题,提出一种基于聚类的环形k最近邻算法.提出的算法在聚类算法的基础上,首先将训练集中相似度较高的数据点聚成一个簇,然后以当前测试点为中心设置一个环形过滤器,最后通过kNN算法对过滤器中的点进行分类.其中聚类的算法可以根据实际情况自由选择.算法性能已在UCI数据库中6组公开数据集上进行了实验测试.结果表明:AkNNE与AkNNH算法比kNN算法在计算量上平均减少51%,而在准确率上比LC-kNN和RC-kNN算法平均提高3%.此外,当数据在10000维的情况下该算法仍然有效.
-
-
Kuang Zhenxi;
匡振曦;
Wu Jigang;
武继刚;
Li Jiaxing;
李嘉兴
- 《2018年全国高性能计算学术年会》
| 2018年
-
摘要:
传统k最近邻算法(k-nearest neighbor,kNN)在数据分类中具有广泛的应用,但该算法具有较多的冗余计算,致使处理高维数据时花费较多的计算时间.同时,基于地标点谱聚类的分类算法(LC-kNN和RC-kNN)中距离当前测试点的最近邻点存在部分缺失,导致其准确率降低.针对上述问题,提出一种基于聚类的环形k最近邻算法.提出的算法在聚类算法的基础上,首先将训练集中相似度较高的数据点聚成一个簇,然后以当前测试点为中心设置一个环形过滤器,最后通过kNN算法对过滤器中的点进行分类.其中聚类的算法可以根据实际情况自由选择.算法性能已在UCI数据库中6组公开数据集上进行了实验测试.结果表明:AkNNE与AkNNH算法比kNN算法在计算量上平均减少51%,而在准确率上比LC-kNN和RC-kNN算法平均提高3%.此外,当数据在10000维的情况下该算法仍然有效.
-
-
Kuang Zhenxi;
匡振曦;
Wu Jigang;
武继刚;
Li Jiaxing;
李嘉兴
- 《2018年全国高性能计算学术年会》
| 2018年
-
摘要:
传统k最近邻算法(k-nearest neighbor,kNN)在数据分类中具有广泛的应用,但该算法具有较多的冗余计算,致使处理高维数据时花费较多的计算时间.同时,基于地标点谱聚类的分类算法(LC-kNN和RC-kNN)中距离当前测试点的最近邻点存在部分缺失,导致其准确率降低.针对上述问题,提出一种基于聚类的环形k最近邻算法.提出的算法在聚类算法的基础上,首先将训练集中相似度较高的数据点聚成一个簇,然后以当前测试点为中心设置一个环形过滤器,最后通过kNN算法对过滤器中的点进行分类.其中聚类的算法可以根据实际情况自由选择.算法性能已在UCI数据库中6组公开数据集上进行了实验测试.结果表明:AkNNE与AkNNH算法比kNN算法在计算量上平均减少51%,而在准确率上比LC-kNN和RC-kNN算法平均提高3%.此外,当数据在10000维的情况下该算法仍然有效.