1) real-time correlation
实时关联
2) real time joint transform correlator
实时联合变换相关器
1.
A phase modulated real time joint transform correlator is proposed, in which a liquid crystal display screen is adopted as an input device and the joint power spectrum is recorded and displayed by a liquid crystal light valve.
提出一种位相调制的实时联合变换相关器。
2.
Therefore, the research of the method of image enhancement in real time joint transform correlator is always an important direction in the field.
然而,由于传统的光学相关器对目标图像的复杂程度及其明暗情况等都相当敏感,因此对于实时联合变换相关器物面图像增强方法的研究一直是该领域的主要研究方向。
4) associating between entities
关联实体
1.
This paper introduces the basic situation of the general power system simulator and the three parts: graph editor, graph initialization, graph display of the DGSE, also tells to a methed of drawing graphs of the power system simulator, including: how to use defining entities, associating between entities,data in, display data, gragh display and so on.
介绍了通用型电网仿真系统的基本情况，图形编缉器（DGSE）的三个组成部分：图形编辑、图形初始化和囹形显示，讲述了图形在电网仿真系统中的绘制方法，其中包括如何进行关联实体、定义实体、数据录入、数据上图、图形显示等，在讲述图形绘制方法的同时，也介绍了图形编辑器的基本功能和特点。
5) association example
关联实例
1.
To extract more association examples which meet the present needs of users from limited scale of bilingual corpus is the main content of the research of translation memory technology.
从有限规模的双语库中提取更多的符合用户当前翻译需要的关联实例是翻译记忆技术研究的主要内容,本文首先对当前基于单一方法的实例检索算法存在的局限性进行了分析,并在对双语库进行知识化表示的基础上,提出了基于多策略的关联实例提取机制,即综合运用句子句法结构匹配、句子编辑距离计算、句子短语片段匹配、词汇语义泛化、基于扩展信息(如:句子来源、所属专业、应用频度等信息)的优选等策略进行关联实例提取。
6) entity relation
实体关联
1.
,then form the candidate-entity by processing co-cucurrent statistic,finally discovery the most possible entity relation.
实验提出了一种基于词频统计的蛋白质关系知识发现方法,该方法首先通过生物命名实体识别技术识别出蛋白质实体,然后统计共出现频率,形成候选实体对,从而发现最有可能的实体关联。
补充资料：电力系统实时负荷预测
电力系统实时负荷预测
real time load forecast-ing of electric power system
z(‘)一名a，关(‘)+，(‘)式中f，(t)为负荷时间序列自校正功能的特征函数，由近期负荷历史数据求得;氏为模型参数，也由负荷历史数据求得;F(t)为误差项，假定为白噪声. 谱分析方法能较为精确地描述非平稳随机过程.因此这个模型具有较强的适应天气因素变化的能力，具有较好的预侧精度。谱分析方法要由历史数据的负荷变化余t形成Q矩阵，求解Q矩阵的特征值及特征向量才能求解出特征函数关(·)及参数风，计算t比较大。 (2)鲍克斯一詹金斯模型。利用了时间序列方法，又称ARMA模型.预测负荷的形式为 z(t)，Y，(t)+Y(t)式中Y，(t)为正常天气棋式下各小时的负荷分t;Y(t)为附加的残差项.它反映天气模式与正常情况的差别及随机相关效应。在ARMA模型中，残差项可表示为 用山Y(t)一名a.Y(，一i)十艺名勺u.(t一j.)盛一12决·0+习C.W(‘一k) 盛.]式中u.(t)为‘个天气因素的输人，也可为系统中不同地区的天气效应;W(t)为零均值的白嗓声，反映负荷的随机变化，久、bj.、C.及，、n，、m.、H都是模型的参数，是未知常数，都需要由仿真法辨识. 短期负荷预侧及超短期负荷预侧的模型荃本相似，只是在所取历史数据的长短及采样间隔上有所不同。 节点负荷的预测节点的负荷不直接进行预侧。根据各个节点的历史负荷数据统计出两个比例系数:各节点在一天中几个时段的有功负荷与相应时段的系统总有功负荷的比例系数;各节点在一天中几个时段无功负荷与有功负荷的比例系数。由这些比例系数及各个时段系统总有功负荷即可计算出各个节点每个时段的预侧有功负荷及无功负荷。d ronl一x一torlg stl一shl{L{he丫一」ce电力系统实时负荷预测(real time load fore-easting of eleetrie power system)利用电力系统实时信息和历史数据对未来时刻的电力系统负荷进行预测。它是能量管理系统(energyn、anagomontsystem，EMS)中的一项实时功能。一般预测的对象是电力系统总有功负荷及系统中各个节点的有功负荷与无功负荷。 负荷预测的目的与意义对未来的系统负荷情况的预测是制定电力系统运行计划(或称发电计划)的依据。电力系统运行的特点是任何时刻发电机发出的功率必须紧密跟踪系统负荷的需求(包括电力网中的功率损耗及厂用电)，以保持电力系统频率恒定。根据预测负荷来制定发电计划.决定机组间的负荷分配、水火电机组的协调、机组起停及与相邻系统间的功率交换等。
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