Matlab代码读写SAC地震数据文件

输出sac文件，sac格式为地震学专用的一种文件格式。matlab编写

DFT的matlab源代码培训单原子催化剂的比例定律 该存储库包含使用各种机器学习方法基于物理描述符（从密度泛函理论计算获得的特征）训练缩放定律的工作流程。 比例定律是有用的替代模型，可用于快速预测所需特性和筛选催化剂材料，从而通过执行更少的量子计算来节省计算时间。 开发者 王一凡（） 比例关系的开发是为了 结合，单金属原子在载体上的结合能 Ea，金属原子扩散的激活屏障 Ebind和Ea分别代表单个金属原子催化剂的热力学和动力学稳定性。 数据集 该数据集包括根据Ea_data.csv中的密度泛函理论（DFT）计算得出的载体上单个原子的属性。 9种支持 11种金属：Ag，Au，Co，Cu，Fe，Ir，Ni，Pd，Pt，Rh，Ru 99个采样点 使用的机器学习方法： LASSO回归 岭回归 弹力网 普通最小二乘（OLS）回归 基于符号回归的遗传规划（GP） 入门 gp_models：用于训练遗传程序设计模型的文件 ml_models：用于训练统计学习模型的文件 依存关系 ：用于向量和矩阵运算 ：用于绘图 ：用于线性代数计算 ：用于从Excel文件导入数据 ：用于训练机器学习模型 ：用于绘图

PyTorch实现软演员- 评论家（SAC），双胞胎延迟DDPG（TD3），演员评论家（AC / A2C），近端策略优化（PPO），QT-Opt，PointNet 流行的无模型强化学习算法 PyTorch 和 Tensorflow 2.0 在 Openai 健身房环境和自我实现的 Reacher 环境中实现了最先进的无模型强化学习算法。 算法包括： 演员兼评论家 （AC/A2C）; 软演员-评论家 （SAC）; 深度确定性策略梯度 （DDPG）; 双延迟 DDPG （TD3）; 近端策略优化; QT-Opt（包括交叉熵（CE）方法）; 点网; 运输机; 经常性政策梯度; 软决策树; 概率专家混合; QMIX Actor-Critic (AC/A2C); Soft Actor-Critic (SAC); Deep Deterministic Policy Gradient (DDPG); Twin Delayed DDPG (TD3); Proximal Policy Optimization (PPO); QT-Opt (including Cross-entropy (CE)

PyRL-Pytorch中的强化学习框架 PyRL是深度强化学习研究的框架。 在PyTorch中实现了以下算法： （在制品） （WIP） （在制品） 该项目仍在积极开发中。 特征 模块化架构 在PyTorch中实现 可读代码 安装 git clone https://github.com/chaovven/pyrl.git pip3 install -r requirements.txt 我强烈建议使用conda环境进行实验。 其中一些示例使用MuJoCo物理模拟器。 有关设置MuJoCo的说明，请参见。 进行实验 示例1： TD3 python3 main.py --alg=td3 with env=InvertedPendulum-v2 默认参数存储在config/default.yaml ，其中所有实验都共享这些参数。 TD3的参数存储在文件config/algs

SAC-IA SAC-IA在SAC-IA中的初始点云注册。 将SAC-IA和ICP注册结合在SAC-IA＆ICP中。 命令行 mkdir构建&& cd构建 cmake .. 制作 提供了两个兔子样品。

重要通知 此公共存储库是只读的，不再维护。 SAP Analytics Cloud API演示应用程序 该存储库包含博客文章《 SAP Analytics Cloud API：入门指南》的随附源代码（可在或）。 我们举例说明了第三方应用程序如何通过使用授权协议访问SAC内容。 该演示应用程序是在编程的，并使用了。 项目结构 analytics-cloud-apis-oauth-client-sample docs 上市 CSS img js-客户端程序 rsrc config.js-客户端程序的配置，即租户配置（租户URL和ID），演示参数（演示案例/过滤器/变量） 服务器配置config.properties-服务器程序的OAuth配置（客户端ID，机密，令牌和授权URL，重定向URI） 执照 注意 自述文件 package.json 视图-html文件 server-a

将一个SAC（seismic analysis code）格式数据做时频分析，并利用GMT（TheGeneric Mapping Tools）成图

火炬RL RL方法的Pytorch实现 支持具有连续和离散动作空间的环境。 支持具有1d和3d观察空间的环境。 支持多进程环境 要求 一般要求 火炬1.7 健身房（0.10.9） Mujoco（1.50.1） 列表（用于日志） tensorboardX（日志文件输出） 张量板要求 Tensorflow：启动tensorboard或读取tf记录中的日志 安装 使用use environment.yml创建虚拟环境 conda create -f environment.yml source activate py_off 手动安装所有要求 用法 在配置文件中指定算法的参数，并在参数中指定日志目录/种子/设备 python examples/ppo_continuous_vec.py --config config/ppo_halfcheetah.json --seed 0 --device 0 --id ppo_halfcheetah 结帐示例文件夹以获取详细信息 目前包含： 政策上的方法： 加强 A2C（演员评论家） PPO（近端政策优化）

可以把地震数据常用的sac格式，快速并批量地转换为txt格式，然后用文本编辑器方便快速查看。解决了上一版本不能正确读取IEEE格式sac文件的问题。