本特利-奥特曼扫斗绳 这是适用于Node.js和浏览器的Bentley-Ottman掠过线算法实现。 它找到一组2D线段中的所有交点，在内部使用平衡的avl树。 var findIntersections = require ( 'bentley-ottman-sweepline' ) ; var segments = [ [ [ 0 , 1 ] , [ 3 , 1 ] ] , [ [ 2 , 0 ] , [ 2 , 2 ] ] ] console . log ( findIntersections ( segments ) ) ; 细分可追溯性 JavaScript中提供了该算法的几种实现方式，请参见。 这既不是最快的，也不是最可靠的（众所周知，它会因多个笛卡尔相交而失败；这显然可以通过一点点TLC来解决）。 综上所述，该特定实现是唯一提供段可追溯性的实现。 也就是说，您

计算电磁学中的优秀书籍，详细介绍了各种快速算法

在本次提交中，有限元网格、Delaunay 三角剖分和 Voronoi 图是通过使用凸包算法生成的，该算法以优化的方式实现，可最大限度地提高速度和性能。 Delaynay 三角剖分和 Voronoi 图算法本质上基于凸包算法。 有关代码和使用方式的信息显示在“凸包理论、Delaunay 三角剖分和 Voronoi 图”中。 函数“ convhull_nd”使用凸包算法，函数“ delaunay_nd”使用Delaunay三角剖分，函数“ voronoi_nd”使用Voronoi图。 此包中包含的所有函数均可用于任何维度 n。 文件“内容”中包含的许多示例说明了上述三个函数的使用。 此提交中包含的函数可用于生成有限元和边界元网格，这些网格用于离散化各种介质，无论是结构还是非结构，以进行数值分析。 除此之外，它们还可用于解决计算几何的各种问题，例如： - 凸包- 交叉路口- 三角剖分和分区-

布什 RBush是用于点和矩形的2D空间索引的高性能JavaScript库。 它基于具有批量插入支持的优化R树数据结构。 空间索引是用于点和矩形的特殊数据结构，它使您可以高效地执行查询，例如“边界框内的所有项目”（例如，比遍历所有项目快数百倍）。 它最常用于地图和数据可视化。 演示版 该演示包含从5万个批量加载的随机点生成的树木的可视化。 打开Web控制台查看基准； 单击按钮以插入或删除项目； 单击以在光标下方执行搜索。 安装 使用NPM安装（ npm install rbush ），或将CDN链接用于浏览器： ， 用法 导入RBush // as a ES module import RBush from 'rbush' ; // as a CommonJS module const RBush = require ( 'rbush' ) ; 创建一棵树 const tree = new RBush ( ) ; RBush的可选参数定义了树节点中最大条目数。 9 （默认情况下使用）是大多数应用程序的合理选择。 较高的值表示更快的插入和较慢的搜索，反之亦然。 const t

A Fast Computational Algorithm for the Discrete Cosine Transform A Fast Computational Algorithm for the Discrete Cosine Transform

圆形数组matlab代码计算电磁学 该存储库包含 2018-2019 年Spring在塞萨洛尼基亚里士多德大学 - 电气与计算机工程教授的学术课程“计算电磁学”的系列作业。 这两个项目都是用 Matlab 编写的，重点是关于静电和电磁波传播问题的FEM（有限元方法） ，使用Galerkin方法，加权残差公式。 检查了以下模拟： 静电： A1 -同轴空气绝缘电缆 A2 -有限平行板电容器 电磁波传播： B1 -金属圆形波导模式 (TM/TE) B2 -从完美电磁导体圆柱体散射 项目 A - 静电场 该项目的目标是实施有限元分析，以模拟同轴空气绝缘电缆( A1 ) 以及有限平行板电容器 (A2) 中的电场和电势。 此外，还计算了其他参数（例如存储在给定表面电场中的总能量），并将其与不同细化次数的解析解进行比较。 A1 最初，我们定义了描述几何（内导体和外导体的半径）的变量并构建了几何描述表。 我们使用decsg函数来制作分解的立体几何矩阵，不包括导体的内部区域。 我们使用initmesh函数制作原始网格。 对于 1 次细化，我们得到以下几何： 使用表 e并基于节点的坐标，我们定位对应于狄利

本书涉及数据结构和算法，Python中的中间编程，复杂性科学和科学哲学。

蛤 整个幻灯片图像上的数据高效和弱监督计算病理学。 自然生物医学工程 | | | TL; DR： CLAM是一种高通量且可解释的方法，可使用幻灯片级别的标签对数据进行有效的整个幻灯片图像（WSI）分类，而无需任何ROI提取或补丁级别的注释，并且能够处理多类子类型化问题。 经过训练的模型在三个不同的WSI数据集上进行了测试，可适应WSI切除和活检以及智能手机显微镜图像（显微照片）的独立测试队列。 CLAM：基于深度学习的管道，可进行高效数据和无监督的全幻灯片级别分析 ••••••••预打印•演示•引用 CLAM如何工作？ 聚类约束的注意力多实例学习（CLAM）是一种基于深度学习的弱监督方法，该方法使用基于注意力的学习来自动识别具有较高诊断价值的子区域，以便准确地对整个幻灯片进行分类，同时还利用实例代表区域上的高级别聚类，以约束和完善特征空间。 :copyright: Mahmood Lab-此代码在GP

经典的最优控制教材 国外比较经典的 希望大家多多评