matlab信息熵代码

柱状晶体 python计算物理框架。 仅运行Crystal，VASP，ewald，jobs和数据库模块所必需的pylada的最小版本 由彼得·格拉夫（Peter Graf）从Mayeul d'Avezac的pylada建造 用法 笔记本子目录中有一些IPython笔记本。 可以在[联机]（ ）中找到文档，尽管有些过时了。 值得注意的是，它没有描述PWSCF包装器。 有关更多示例，请查看每个子文件夹中的测试，以及espresso / tests / bdd / features文件夹中的BDD方案。 最后，请加入[slack]（pylada.slack.com）。 如果需要访问，请向其中一位作者发送电子邮件。 安装 最简单的方法是通过安装： 全局安装 pip install git+https://github.com/pylada/pylada-light 本地（用户）安装

Power Spectral Density using PWELCH vs PSD created by FFT.zip，这是

这些脚本用于实现高斯混合基数化概率假设密度过滤器。 代码中使用的算法和跟踪场景遵循发表在 IEEE Transactions on Signal Proceesing Vol. 2 上的论文“基数化概率假设密度滤波器的分析实现”。 55 No. 7。作者是Ba-Ngu Vo和WK Ma。

matlab仿真交通流代码| | | | | | | 城市交通网络中的密度重建 概述 该存储库包含由，，，和Martin Rodriguez用来生成“使用异构数据源的城市交通网络中的密度和流量重建”示例的源代码。 结构 在MATLAB中启动文件Main.m以获得结果。 ManhattanGridConstruction.m ：包含创建曼哈顿交通网络类型 CellTransmissionModel.m ：实现流量模型 Estimation.m ：实施估算技术 启动模拟 在matlab中启动。 Time_Plot_Links_Animated.m创建结果的视频 Time_Plot_Links.m和Time_Plot_2D.m是绘图工具 外部工具 MATLAB 2016 执照 这些笔记本电脑根据以下协议获得许可 接触 如果您遇到问题或错误，请通过此存储库中的问题通知我们。

提出了两种新型的准循环低密度奇偶校验（QC-LDPC）的代数构造 代码。 这两种构造是在乘法和乘法上实现的。 两个指定基本矩阵的加性矩阵分散，其中 是基于乘法的 和循环基团。 另外，代码构造中的制作技术可以 也适用于两种构造。 仿真结果表明 本文生成的代码在迭代中表现良好 在AWGN频道上解码。 该代码具有优于 Maykay代码在代码性能的某些方面。 同时， 本文构建的代码在迭代中收敛非常快 解码，这是高吞吐量的重要属性 通讯系统。

黄金分割法matlab源代码密度估算 Matlab / Python代码可实现最佳密度估算。 该存储库包括子模块。 请克隆为 git clone --recurse-submodules Git克隆URL： git：//github.com/shimazaki/density_estimation.git 文档：直方图内核 作者首页： 原始文件和演示幻灯片都包含在教程目录中。 HISTOGRAM岛崎H.和Shinomoto S.一种方法用于选择时间直方图神经计算（2007）卷的块大小。 19（6），1503-1527 峰值频率估计中的内核带宽优化中的KERNEL Shimazaki H.和Shinomoto S. 计算神经科学杂志（2010）卷。 29（1-2）171-182 doi：10.1007 / s10827-009-0180-4 执照 这些代码可在免费软件许可下获得。 许可证类型取决于贡献者。 请查看每个文件以了解特定的许可证类型。 Matlab代码在Apache 2.0或BSD许可下可用。 tutorial.m（Matlab） %% TUTORIAL OF KERNEL D

这组 MATLAB 例程模拟具有周期性边界条件的三维硬球堆积。 它初始化一个均匀晶格，然​​后使用 Metropolis 算法对粒子位置进行多次迭代退火。 然后计算 $g_2(r)$，或成对径向分布函数，在集合中的许多中心上取平均值。 对于大的初始粒子密度，结果 $g_2$ 与 Percus-Yevick 近似给出的解析近似匹配，给定足够高的粒子密度的任意精度。

DFTB +：用于执行快速原子计算的通用软件包 DFTB +是用于基于密度泛函紧密结合方法进行快速量子力学原子计算的软件包。 最新的功能在。 DFTB +既可以用作独立程序，也可以作为库集成到其他软件包中。 安装 下载二进制发行版 最新的稳定发行版的二进制（线程）发行版可以在上找到。 另外，您也可以通过框架安装DFTB +。 （此功能目前处于试验阶段。） 从源头建造 注意：本节介绍在典型Linux环境中使用默认设置（仅提供DFTB +中所有可能功能的子集）的构建。 有关构建定制和构建过程的更多详细信息，请参阅的详细构建说明。 从下载源代码。 您需要CMake（> = 3.16）来构建DFTB +。 如果您的环境不提供CMake或仅提供旧版本，则可以通过Python的pip命令轻松安装最新的CMake： pip install cmake 通过将编译器作为环境变量（ FC和CC

可靠且极快的一维数据核密度估计器； 假设为高斯核并自动选择带宽； 与许多其他实现不同，这个实现不受问题的影响由具有广泛分离模式的多模态密度引起（参见示例）。 这多模态密度的估计不会恶化，因为我们从不假设数据的参数模型（如经验法则中使用的模型）。 输入： 数据 - 构建密度估计的数据向量； n - 用于均匀离散化的网格点数间隔 [MIN, MAX]; n 必须是 2 的幂； 如果 n 不是 2 的幂，则n 向上取整为 2 的下一个幂，即 n 设置为 n=2^ceil(log2(n))； n 的默认值为 n=2^12； MIN, MAX - 定义构建密度估计的区间 [MIN,MAX]； MIN 和 MAX 的默认值是： MIN=min(data)-Range/10 和 MAX=max(data)+Range/10，其中 Range=max(data)-min(data)； 输出： 带宽 - 最