1) discrete network
离散网络
1.
Aimed at several classes of typical dynamical feedback neural networks, including discrete network,nonsymmetry network and timedelay network, some stable conditions are obtained by using Lyapunov method.
本文针对几类典型的动态反馈神经网络模型 ,包括离散网络、非对称网络和时延网络 ,利用 L yapunov方法得到了网络的稳定条
3) discrete network design
离散网络设计
1.
Urban road transportation discrete network design based on connectivity reliability;
基于连通可靠性的城市道路交通离散网络设计问题
2.
We combine the concept of reserve capacity with the discrete network design problem.
将备用能力的概念与城市交通离散网络设计问题结合在一起,一方面通过对路口的信号进行最佳设置使交通网络可以容纳最大的交通需求量;另一方面,通过在交通网络中添加新的路段来提高整个交通网络的通行能力。
3.
In this paper, we combined the land-use problem with the transport discrete network design problem.
本文将交通离散网络设计问题和土地使用问题结合起来,以土地使用问题和交通离散网络设计问题之间的相互作用、相互影响关系为基础,对它们进行综合优化设计,寻找基于交通网络和土地使用的综合优化方案,希望能达到在一定的投资约束和土地使用约束条件下使整个网络中的系统总阻抗与居住数量的增加之差最小的目的。
4) discrete fracture network
离散裂隙网络
1.
A numerical model of three-dimensional discrete fracture networks for seepage in fractured rocks is presented.
对于裂隙岩体中的渗流来说,离散裂隙网络模型比等效连续体模型更能刻画其基本规律。
2.
The paper analyzed the spatial character of water-bearing media in abandoned mines,then according to the distribution characteristics of lage-scale fault and the rock permeabitity,established discrete fracture network-equivalent continuous media coupling mathematic model.
分析废弃矿井地下含水介质空间特性,根据其大型断裂带分布特征及其分割岩块渗透性等,建立地下水流离散裂隙网络与等效连续介质耦合数学模型。
5) discrete-time Hopfield neural networks
离散Hopfield神经网络
1.
Stability analysis of discrete-time Hopfield neural networks;
离散Hopfield神经网络的稳定性分析
2.
This paper makes a unified representation for several types of discrete-time Hopfield neural networks appearring in the literature currently with McCulloch-Pitts model which neuron acti- vation function is a strict threshold function and, hence, provides a systematic and clarified idea for the analysis and synthesis of these networks.
本文用神经元的激励函数为严格阈值函数的McCulloch-Pitts模型对目前出现于文献中的几种离散Hopfield神经网络作了统一描述,从而给这些网络的分析和综合提供了一条系统清晰的思路。
6) discrete hopfield neural networks
离散Hopfield神经网络
1.
With the aid of graph theory, the stability of discrete Hopfield neural networks with diagonal block matrix of the connection weight matrix is mainly studied in this paper.
以图论为工具 ,主要对连接权矩阵为对角分块形式的离散Hopfield神经网络的稳定性进行了研究。
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