# 符号表
![Hits](https://www.smirkcao.info/hit_gits/Lihang/symbol_index.md)

1. $\{\}$ 集合 文本集合$D=\{d_1,d_2,\cdots,d_n\}$，单词集合$W=\{w_1,w_2,\cdots,w_m\}$ $P_{327}$
1. $A_G$类的样本散布矩阵 $P_{259}$
1. $C^*$ 最优划分 $P_{261}$
1. $D_G$ 类的直径
1. $D=[d_{ij}]_{n \times n}$ $n$个样本之间的距离矩阵$D$ $P_{261}$
1. $D=\{d_1,d_2,\cdots,d_n\}$ $n$个文本的集合 $P_{322}$
1. $D(A||B)=\sum\limits_{i,j}\left(a_{ij}\log\frac{a_{ij}}{b{ij}}-a_{ij}+b_{ij}\right)$ 散度损失函数$P_{322}$
1. $J(W,H)$ 优化目标函数。$P_{334}$
1. $\Lambda$ $n$阶对角矩阵
1. $\mathcal{M}$是$\mathbf{R}^{m\times n}$中所有秩不超过$k$的矩阵集合，$0<k<r$ $P_{287}$
1. $m, M$ 样本特征数，维数 $P_{261}$
1. $m$ 协方差矩阵的特征值之和 $P_{309}$
1. $n,N,n_G$ 样本数，类的样本数
1. $\theta$ 参数
1. $R(A)$ $A$的值域 $P_{275}$
1. $R(A)^\bot$ 表示$R(A)$的正交补 $P_{276}$
1. $r$ 矩阵的秩 $P_{277}$
1. $S_G$类的样本协方差矩阵 $P_{259}$
1. $\mathcal{S}$ 状态空间 $P_{360}$
1. $T$ 训练数据集 $P_{59}$
1. $T$ 和$V$给定的两个正数 $P_{259}$
1. $T$ 决策树 $P_{78}$
1. $T:x\rightarrow Ax$ 线性变换 $P_{279}$
1. $U$ 训练数据  $P_8, P_{248}, P_{245}$
1. $U$ 表示$m$阶正交矩阵 ，$V$表示$n$阶正交矩阵，$\mit\Sigma$表示矩形对角矩阵，$P_{271}$
1. $U_k=[u_1 u_2 \cdots u_k]$中的每一个列向量$u_1, u_2, \cdots, u_k$表示一个话题，称为话题向量。.
1. $W$ 在非负矩阵分解中表示基矩阵 $P_{332}$
1. $W(C)$ 能量，表示相同类中的样本的相似程度。越相似，越小。 $P_{264}$
1. $W=A^\mathrm TA$ 对称矩阵 $P_{282}$
1. $W=\{w_1,w_2,\cdots, w_m\}$ $m$个单词集合 $P_{322}$
1. $\mathcal{W}=\{w_1,w_2,\cdots, w_k\}$ $k$个元素组成的集合 $P_{389}$
1. $x_i^*$是$x_i$的规范化随机变量。 $P_{309}$
1. $X=[x_{ij}]_{m\times n}$ 矩阵
1. $X=\{x_1, x_2, \dots ,x_n\}$ $n$个样本的集合 $P_{263}$
1. $X$ 定义在输入空间$\mathcal X$上的随机向量
1. $X=\{X_0,X_1,\cdots,\X_t,\cdots\}$ 马尔可夫链 $P_{360}$
1. $Y$ 定义在输出空间$\mathcal Y$上的随机向量
1. $\mathcal{Z}$隐式结构空间 $P_8$