DeepGO-预测基因本体功能 DeepGO是一种使用蛋白质序列和蛋白质-蛋白质相互作用（PPI）网络预测蛋白质功能的新颖方法。 它使用深度神经网络来学习序列和PPI网络特征，并使用GO类对它进行分层分类。 使用神经符号方法学习PPI网络功能，以学习知识图表示 该存储库包含用于构建和训练DeepGO模型的脚本，以及用于评估模型性能的脚本。 依存关系 要安装python依赖项，请运行：pip install -r requirements.txt 剧本 这些脚本需要OBO格式的GeneOntology。 nn_hierarchical_seq.py-此脚本用于构建和训练仅使用蛋白质序列作为输入的模型。 nn_hierarchical_network.py-此脚本用于构建和训练模型，该模型使用蛋白质的序列和PPI网络嵌入作为输入。 get_data.py，get_functions.p

功能点估算方法 Part 2 Counting ractices,

功能点估算方法 英文版 Part 1Process and Rules，用于审计时对软件功能点进行软件概算和成本计算。

gamma函数性质，方便各种积分计算，阶乘算法 等等用到gamma函数的地方

Elliptici 使用所描述的算术 - 几何平均数的方法来确定第一类、第二类不完全椭圆积分和雅可比 Zeta 函数的值。 实现的公式是 F(u,m) = int(1/sqrt(1-m*sin(t)^2), t=0..u); E(u,m) = int(sqrt(1-m*sin(t)^2), t=0..u); Z(u,m) = E(u,m) - E(m)/K(m)*F(u,m) 例程 Elliptici 适用于多维数组和任何范围的 u。 项目主页： http : //code.google.com/p/elliptic/

MATLAB多项式绘图的实例_function写法实例

尽管之前已经有在 Simulink 中解决 DAE 的示例，但没有通过 S-function 解决 DAE 的文档。 此示例使用名为 HB1_DAE_sfun.m 的 S 函数解决 Simulink 中的 Robertson 问题（僵硬）。 结果与 hb1dae.m 进行了比较，后者是一个基于文本的版本，可用作 MATLAB 的示例。

Simulink基于模型与基于系统的设计。包括系统建模，仿真和实现。详细介绍了s-function的基础概念以及基本用方法，包括M编写s-function、C语言编写s-function等等关于s-function的详细用法和介绍以及具体实现实例

The perfect balance of clarity and comprehensiveness—now more reader friendly and visually appealing than ever.,解压密码 share.weimo.info

PyTorch径向基函数（RBF）层 使用PyTorch的RBF层/模块的实现。 RBF层是常规人工神经网络中使用的激活函数的替代方法。 通常，RBF网络中的每个RBF层后面都有一个线性层。 在RBF层中，将计算和缩放输入与多个称为中心的位置之间的距离。 然后，将RBF应用于每个缩放距离。 IE， 其中x是输入，phi是径向基函数，sigma是比例因子，c是中心。 通常，通过对数据进行聚类来找到中心位置。 这对于具有许多RBF层的RBF网络是不切实际的。 在这种实施方式中，中心和比例因子通过梯度下降进行训练，这允许具有许多RBF层的RBF网络。 特征 径向基函数（RBF）层 少数径向基函数 通过梯度下降而不是聚类训练的中心和比例因子 示范 在演示中，RBF网络用于学习玩具分类问题的决策边界。