摘要：本文采用 ALTERA公司 Cyclone系列的 FPGA芯片和 IP核 PCI_t32，设计了可应用于LSA系列激光粒度测试仪的数据采集系统，并在 FPGA内部实现了系统的控制逻辑和 PCI总线接口。该系统利用 AD7321可为 112路模拟信号提供一个 12位采样精度的数据采集通道，系统的数据平均传输速率达到了 3Mbps。利用该数据采集系统对标准粒子板的测量结果符合 ISO13320标准的要求，这表明该系统满足了设计的要求。 　　0 引言 　　随着现代科学技术的日益发展，颗粒尺寸及其分布在诸如石油、冶金、制药、建材等领域占据着越来越重要的地位。激光粒度仪就是用来测量微小颗粒尺寸

oxDNA是一种模拟代码，最初被认为是TE Ouldridge，JPK Doye和AA Louis（http://dx.doi.org/10.1063/1.3552946）引入的粗粒度DNA模型的实现。 此后进行了重新设计，现在已成为可扩展的仿真+分析框架。 它本身支持在CPU和NVIDIA GPU上进行DNA，RNA，Lennard-Jones和斑块粒子模拟。

激光粒度仪LISST-100培训教程.ppt

激光粒度仪LISST-200X操作手册_Users_Manual_v2_3.pdf

激光粒度仪使用说明书LISST-200X-Flow-Through-Chamber-Users-Manual_v1_0.pdf

人工智能-机器学习-粗粒度并行遗传算法的计算性能及其应用研究.pdf

人工智能-项目实践-情感分析-基于LSTM网络与自注意力机制对中文评论进行细粒度情感分析 题目介绍 该题目为《细粒度用户评论情感分析》，来源于“全球AI挑战赛”。https://challenger.ai/competition/fsauor2018 对于题目内容以及任务描述均可从该网站获取，这里不再赘述。 成绩 单个模型最好的F1指标为：75.04 整体20个模型的综合F1指标为：68 数据集 数据集由比赛平台提供。包含105000条训练样本以及15000条测试样本。 关于数据集的标注可以点击这里查看。

以空间遥感数据为研究对象,研究多粒度标记数据的分类问题。首先,根据地表物的不同物理含义,可以得到一个多粒度的决策表。然后,通过知识约简发现隐藏在多粒度决策表中的if-then分类规则。最后,根据实际的遥感数据给出分类的精度。

matlab中rbf源代码支持向量机 在该存储库中，提供了一个MATLAB工具箱，以针对不平衡和多类型分类问题训练和测试基于支持向量机（SVM）的模型。 附加了两个分类技巧，即granularization和binary-tree以形成GBT-SVM模型。 有关该模型的详细信息，请参考我的。 工具箱的构造 文件夹中的代码和脚本可用于构建粒度SVM（GSVM）模型，该模型能够形成树结构分类器。 我在这里列出了名称和相应的注释。 方法 评论 getGranule 通过将主要类别拆分为子集或颗粒来生成平衡的数据集。 myCrossSVM 通过交叉验证和网格化训练SVM模型，内核是可选的。 myGSVM预测 使用训练有素的模型对新样品进行分类。 获取颗粒 为了获得平衡的数据集，您可以使用getGranule作为 >>> [DataGranules] = getGranule(data,label) 输出DataGranules是一个结构，形成为 数据粒度 MajIdx ：主要类别的标签 MinIdx ：次要类别的标签 GraNum ：颗粒数 MinData ：次要样本的数据和标签 MajDat

2022年动态光散射纳米激光粒度仪市场前景分析及研究报告.docx