首次针对无线传感器网络的典型室内应用环境——室内停车场对信道传播特性进行测定，通过线性回归对室内无线信道传播模型的衰减因子等参数进行拟合，并与室外测量结果进行对比，归纳出室内与室外环境中无线信号的传播具有不同特征，但仍然可用对数阴影单折线/双折线模型进行拟合，为室内无线传感器网络系统的研究与实现提供重要参考。

模拟TM波传播的MATLAB源程序，方便使用者更加熟悉TM播的传输！

md5.js 加密 防止密码明文在网络中传播，加密时需要添加salt盐

为了加强对空气传染病风险的理解和预测,综述了呼吸道传染病的空气传染特点、传染途径以及预测空气传染病感染风险的模型.基于病人呼出飞沫蒸发后剩余飞沫核(通常小于5μm)在空间均匀分布的假设,介绍了预测呼吸道传染病空气传播风险模型,其中重点介绍Wells-Riley方程的推导、验证及发展,并汇总了已有报道中呼吸道传染病的病毒量(quanta产生率).根据Wells-Riley方程研究了通风和通风量、病人呼出病毒量等对感染概率的影响.结果表明,通风可以显著降低感染概率,但对于某些极端的超级传播事件,还需要其他保护

03年非典疾病传播与分析的数学建模 疾病传播模型的优秀论文

随着互联网、大数据和人工智能等先进技术在交通工具运输领域的应用与发展，汽 车的内部空间、人机界面、操作方式和交互过程正在发生革命性的变化。从设计的 角度看，汽车从一个运载工具，发展为包含个人空间、公共空间和社交空间的设计 对象。在这样的背景下，智能汽车人机交互设计已经成为国内外各大汽车企业及科 技公司的关注重点。 设计以人为本。从人的角度看，人类对于自身和事物的认识已经不是一种“自然的 （Natural）”概念了，而很大程度上取决于人类所谓的“技术延伸”，即通过技术 让人类在身体、认知和思想层面上到达更高的层次。每一种技术都是人类身体和 感官的一种延伸并超越了人类的身体和心理的限制，从而得到一种自由愉悦感和 美感享受。从这个角度来说，智能与网络技术背景下的人车交互包含了人类移动情 境下的一种身体超越，其未来具有巨大的潜力。同时，这种技术延伸，为我们提供 了一种将先进技术与人类生活结合的可能，这正是在这个技术快速发展的时代下， 设计师需要去做的事。设计并不创造技术，而是在技术的基础上，通过设计创新 （Innovation），为人类创造更好的产品与体验。这也是智能汽车人机交互设计的 内涵所在。 《智能汽车人机交互设计趋势白皮书》基于百度-湖南大学智能设计与交互体验联 合创新实验室架构，由百度人工智能交互设计院联合湖南大学设计艺术学院、汽车 车身先进设计制造国家重点实验室开展智能汽车人机交互设计趋势的相关研究。 研究以“设计”为出发点，以未来智能汽车的人机交互为对象，对相关技术、产品和 设计的现状进行分析，展开“趋势研究”，结合学术界和产业界的经验，探讨智能汽 车人机交互设计的未来趋势，形成该领域的设计洞察，并总结为未来智能汽车人机 交互设计的九个趋势。 从严谨的学术研究的角度看，对未来的预测总是充满不确定性，通过对研究流程和 方法的严格控制尚且不能确保所有趋势的必然性，未来也不仅是逻辑推理的结果。 从内容完备性角度看，研究试图尽量完整全面地概括出未来智能汽车人机交互设计 的趋势，但无法确保我们的九个趋势可以覆盖所有的领域和范围，因此研究更倾向 于将未来为突出和关键的趋势呈现在报告之中。同时，通过对未来智能汽车人机 交互设计趋势的研究，能够为当前和未来智能汽车人机交互设计带来启发，支持未 来智能汽车的设计、研究与开发，为智能时代人类更美好的未来做出我们的贡献。

行业资料-交通装置-一种基于GIS的城市交通路网格锁传播的动态表达方法.zip

我们介绍了带变分推理的贝叶斯卷积神经网络，这是卷积神经网络（CNN）的一种变体，其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集（MNIST，CIFAR10，CIFAR100），如所描述的相同结构。 贝叶斯vs频频方法中的过滤器权重分布 整个CNN的全贝叶斯视角 图层类型 该存储库包含两种类型的贝叶斯lauer实现： BBB（Backprop的Bayes）： 基于。 该层分别对所有权重进行采样，然后将其与输入组合以从激活中计算出一个样本。 BBB_LRT（使用本地重新参数化技巧的Backprop进行Bayes操作）： 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。 制作自定义贝叶斯网络？ 要创建自定义贝叶斯网络，请继承layers.m

可微分ODE解算器的PyTorch实现该库提供了在PyTorch中实现的常微分方程（ODE）解算器。 使用adjoint方法支持所有求解器的反向传播。 对于使用，可微分ODE解算器的PyTorch实现此库提供了在PyTorch中实现的常微分方程（ODE）解算器。 使用adjoint方法支持所有求解器的反向传播。 有关在深度学习应用程序中使用ODE求解器的信息，请参见[1]。 由于求解器是在PyTorch中实现的，因此完全支持该存储库中的算法以在GPU上运行。 安装pip install torchdiffeq示例示例被放置在示例目录中。

美通社-企业ESG传播手册-23页.pdf