1) Discrete-time recurrent neural networks
离散递归神经网络
2) recurrent neural network
递归神经网络
1.
Safety monitoring model of Lijiaxia Arch Dam based on recurrent neural network with bias elements;
基于带有偏差单元的递归神经网络的李家峡拱坝安全监控模型
2.
Combination prediction model of network traffic based on recurrent neural networks;
基于递归神经网络的网络流量组合预测模型
3.
Dynamic compensation of accelerometer based on recurrent neural network;
基于递归神经网络的加速度传感器动态特性补偿
3) self-recurrent neural network
自递归神经网络
1.
Prediction of structural reponses by self-recurrent neural network;
自递归神经网络预测结构响应
4) recurrent neural networks
递归神经网络
1.
Application of recurrent neural networks prediction in inventory management decision;
递归神经网络预测在库存管理决策中的应用
2.
The existence of periodic solutions for recurrent neural networks with time-varying delays;
一类变延时递归神经网络周期解的存在性
3.
New approach for robust stability analysis of delayed recurrent neural networks
新的时滞递归神经网络鲁棒稳定性分析方法
5) Elman Recurrent Neural Network(Elman RNN)
Elman递归神经网络
6) Recurrent Net (RNN)
递归神经网络(RNN)
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