图上的机器学习方法在许多应用中已经被证明是有用的，因为它们能够处理一般结构化数据。高斯马尔可夫随机场(GMRFs)框架提供了一种原则性的方法，利用图的稀疏性结构来定义高斯模型。本文在深度GMRF的多层结构基础上，针对一般图提出了一种灵活的GMRF模型，该模型最初只针对格点图提出。通过设计一种新型的层，我们使模型能够缩放到大的图。该层的构造允许使用变分推理和现有的软件框架的图神经网络进行有效的训练。对于高斯似然，潜在场可用接近精确的贝叶斯推断。这允许进行预测，并伴随不确定性估计。在大量的合成和真实数据集上的实验验证了所提出的模型的有效性，在这些实验中，它比其他贝叶斯和深度学习方法都要好。

这本手册讲述Gaussian 03。Gaussian 03 是由许多程序相连通的体系，用于执行各种 半经验和从头分子轨道（MO）计算。这本手册是程序全部功能的完整参考书。

esearchers in spatial statistics and image analysis are familiar with Gaussian Markov Random Fields (GMRFs), and they are traditionally among the few who use them. There are, however, a wide range of applications for this methodology, from structural time-series analysis to the analysis of longitudinal and survival data, spatio-temporal models, graphical models, and semi-parametric statistics. With so many applications and with such widespread use in the field of spatial statistics, it is surprising that there remains no comprehensive reference on the subject. Gaussian Markov Random Fields: Theory and Applications provides such a reference, using a unified framework for representing and understanding GMRFs. Various case studies illustrate the use of GMRFs in complex hierarchical models, in which statistical inference is only possible using Markov Chain Monte Carlo (MCMC) techniques. The preeminent experts in the field, the authors emphasize the computational aspects, construct fast and reliable algorithms for MCMC inference, and provide an online C-library for fast and exact simulation. This is an ideal tool for researchers and students in statistics, particularly biostatistics and spatial statistics, as well as quantitative researchers in engineering, epidemiology, image analysis, geography, and ecology, introducing them to this powerful statistical inference method.

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

对称梯度域机器学习（sGDML） 有关更多详细信息，请访问： : 可以在这里找到文档： : 要求： Python 3.7以上 NumPy（> = 1.19） 科学（> = 1.1） 可选的： PyTorch（用于GPU加速） ASE（> = 3.16.2）（运行原子模拟） 入门 稳定释放 大多数系统pip预先安装了针对Python pip的默认软件包管理器。 只需调用以下sgdml即可安装sgdml ： $ pip install sgdml sgdml命令行界面和相应的Python API现在可以在系统上的任何位置使用。 开发版 （1）克隆存储库 $ git clone https://github.com/stefanch/sGDML.git $ cd sGDML ...或更新您现有的本地副本 $ git pull origin master （2）安装 $ pi

Gaussian09_D0.1_linux

高斯消除 高斯消除算法的Java语言实现，用于求解线性方程组。

北京宏剑公司出品,基于高斯03,包括分子轨道的介绍,电子组态的概念,单激发态,活化空间,基态和激发态的势能面,势能面的简并,高斯03的激发态计算方法,性质,输入和输出,例子,激发态结构优化,三重态的计算,轨道调节,计算发射光谱.

matlab求导代码****************************** 介绍******************* ******* 请注意，未经作者许可，不得将其用于任何商业用途或对代码进行修改。 在GP TIE算法中，我们对散焦后的强度图像（在频域中）执行高斯过程回归，以估计强度轴向导数，该强度用于通过方程式（TIE）的传输强度来恢复相位。 GP TIE通过使用强度在空间频域中随散焦传播如何变化的先验知识，减轻了导数估计中的非线性误差。 不需要将强度图像等距隔开，因此输入强度堆栈可以按指数方式隔开，这被证明是一种将相位信息转换为测得强度的有效方案。 有关更多详细信息，请参见参考文件。 如何使用代码 ** 如何在示例数据集上运行： 打开Main_GPTIE.m并在Matlab中运行。 示例数据集将自动加载。 如何在自己的数据集上运行： 按照示例数据集“ SampleData2.mat”的格式准备数据集。 确保变量名称与示例数据相同，并且变量的单位为米。 打开Main_GPTIE.m。 加载数据并运行。 必要时调整Poisson求解器正则化参数（regparam）。 输入参数：

这是两个 MATLAB 例程，用于 1) 生成与 MODTRAN 兼容的光谱响应函数（gaussian、bartlett、welch、cosine）给定频带中心和 FWHM 作为输入和 2) Card 1A3 LFLTNM/FILTNM 兼容“滤波器”文件给定 MODO 兼容传感器描述文件作为输入。 高斯生成器的结果与 James Blake 的 fitgauss.m 一致