学习计算流体力学必备图书，讲的很细致，最常用的理论都是在这里面

acoustic, bubble,dynamics

matlab脑电功率谱代码脑电图的网络动力学测度 Rosch等人（2017）随附的代码：健康和癫痫性发展中大脑的网络动力学。 该存储库包含可用于重现分析以识别不同静态EEG模式之间网​​络动态差异的代码。 该代码用于上述手稿，以描述网络动力学异常，该异常表征了两种严重的早期婴儿严重癫痫综合症，即Ohtahara综合征和West综合征/小儿痉挛。 运行代码时，您需要下载并解压缩文件夹，并在ee_housekeeping函数中定义家庭文件夹。 该代码在Matlab上运行（已通过2016b测试），并且需要多个工具箱才能运行： -根据现有傅立叶频谱生成综合时间序列（包含在此回购协议中） -估计二维图像的清晰度（包含在此版本库中） -提供不同的调色板（包含在此仓库中） -在缓慢的计算步骤中轻松可视化进度（包含在此回购中） -对于EEG信号的过滤，此代码依赖于作为标准SPM分发的一部分提供的现场旅行； 可以很容易地用您选择的另一种过滤方法代替（此处不包括SPM ） 此存储库中包含的自定义例程 该资料库包括许多不同的例程，这些例程可以手动运行，以说明针对上述手稿执行的不同分析步骤。 其中大多数将产生

Introduction to Structural Dynamics and Aeroelasticity

数据集包含道琼斯工业平均指数 （DJIA） 指数值的样本，以及今天形成 DJIA 的公司的股票价格。 djia.csv stock_prices.csv

非常经典的计算流体教材，对非结构网格下方程的离散和计算有非常详细的讲解，值得一读！

Dynamics Ax 2009 中文版 程序开发，少有的技术文档

ETH： Robot Dynamics Lecture Notes

聚类轨迹 该Python脚本接收分子动力学或Monte Carlo轨迹（.pdb，.xyz或OpenBabel支持的任何格式），使用Kabsch算法找到结构之间的最小RMSD，并执行聚集聚类（一种无监督的机器学习），以对相似的构象进行分类。 该脚本是在考虑到Python 3的情况下开发的，但是，鉴于所有库均可用，它也应在Python 2.7中工作。 脚本要做的是计算轨迹的每个配置之间的距离（使用最小RMSD），建立一个距离矩阵（以压缩形式存储）。 请注意，计算距离矩阵可能需要一些时间，具体取决于您的轨迹多长时间以及每种配置中有多少原子。 距离矩阵也可以从文件中读取（使用-i选项），以避免每次您要更改链接方法（使用-m ）或聚类的距离时重新计算该距离矩阵。 依存关系 该实现依赖于几个库，因此在运行脚本之前，请确保已在Python发行版中安装了所有库。 当前，需要以下库： 我们建议使用 P

斯坦福大学机器人学PPT-动力学Dynamics