1) traffic volume time series
交通量时间序列
1.
Fractal feature in the traffic volume time series of the city centre;
城市中心区交通量时间序列的分形特征
3) Traffic time series
交通时间序列
4) traffic volume time series of city centre
城市中心区交通量时间序列
1.
In this article, the traffic volume time series of city centre is studied through the R/S analysis and fractal Brownian motion so as to achieve the premise of traffic inducement and control.
为了能够为城市中心区实施短周期交通诱导与控制创造前提条件,本文运用R/S分析方法与分数布朗运动模型研究了城市中心区交通量时间序列。
5) time series crossover
时间序列交叉
1.
According to the characteristics of heat supply and the demands of energy-saving control,heat load forecasting based on RBF neural network and time series crossover is proposed.
针对供热过程的特点及节能控制的需要,提出基于RBF神经网络的时间序列交叉供热负荷预报法。
6) time series variable
时间序列变量
1.
Aim at the problem of time series variable cannot be p re dicted exactly,a new prediction model was proposed in this paper.
针对时间序列变量难以精确预测的问题 ,本文将最近邻思想与径向基函数网络相融合 ,提出了一种新的预测方法 ,并将其应用于石油产量的预测 ,取得了良好的效
补充资料：离散时间周期序列的离散傅里叶级数表示
(1)
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条