matlab哈密尔顿代码弗洛里丁
在这项工作中，已经实现了FLORIDyn模型。
该模型允许在异构条件下动态模拟FLORIS唤醒。
这些条件是随着时间和空间的变化风速，方向和环境湍流强度。
该模型还包括尾流相互作用效应和附加的湍流模型。
该代码包括各种布局和条件，以及用于创建自定义模拟案例的指导注释。
高保真模拟SOWFA用于验证代码。
在当前版本中，可以比较生成的功率输出，复制SOWFA仿真的偏航行为并复制控制行为（贪婪控制或基于叶尖速度比和叶片桨距角）。
相关说明在代码中给出。
如何开始
您可以通过两种方式运行代码：从FLORIDyn
App或通过运行主要脚本之一。
要使用该应用程序，请打开FLORIDyn_App.mlapp。
如果从资源管理器中打开它，则仅应打开“应用程序”窗口。
使用“预览”按钮查看涡轮机在哪里，风向是什么以及风切变曲线是什么。
单击“运行”后，将执行仿真并将绘制生成的功率以及流场（如果已激活）的图表。
如果从MATLAB中打开FLORIDyn_App.mlapp，则可以访问该应用程序代码并可以对其进行修改。
要获得更多选择，请使用脚本main.m，该脚本包含
2023-04-26 21:22:08
305.75MB
1
本文介绍了磁场对哈特曼数（Ha）的影响，该磁场对具有不同方向的加热锥的方腔中磁流体动力（MHD）流体的自由对流。 尽管类似的研究比比皆是，但这项工作的新颖性在于加热锥的存在，加热锥的方向在不同角度发生变化。 数学模型包括控制质量，动量和能量方程的系统。 该系统通过有限元法求解。 针对普朗特数Pr = 0.71进行计算； 瑞利数Ra = 10，1000，100,000; 对于Hartmann数Ha = 0、20、50、100。结果用流线，速度分布和等温线说明。 从结果中发现，对于当前配置，磁场（哈特曼数）对于低瑞利数对流线的形状没有影响。 但是，对于较高的Ra值，Ha的影响变得非常明显。 磁场通过阻止流体运动来影响流动，从而影响对流传热。 在低Ra下，流体的运动和传热速率已经变慢，因此施加磁场不会产生太大影响。 在高Ra下，在没有任何磁力的情况下，流体粒子高速移动并改变流线。 在这种情况下施加磁场会减慢流体的流动并将流线变回低Ra情况，从而产生显着的效果。 注意，低Ra与零或低Ha的组合产生与高Ra和高Ha的组合相似的效果。 可以得出结论，随着Ha的增加，MHD流体中的传热模式逐渐从对流
2023-04-18 11:23:23
4.7MB
1
对游程编码和Huffman编码的思想进行了明了的阐述，同时将游程编码进行了优化，将这两种编码结合起来，达到较好的压缩效果。
2023-04-04 18:28:01
267KB
1
利用1982～2006年GIMMS/NDVI数据，赤峰气象站的气温数据和流域内52个雨量站的降水数据，采用一元线性回归分析、简单相关分析以及偏相关分析方法对老哈河流域内林地、灌丛、草地、耕地4种植被类型NDVI年内和年际变化及其与气温、降水的关系进行了研究.结果表明：老哈河流域NDVI年内变化呈单峰型，年最大值出现在8月份，月NDVI和气温、降水之间均具有显著的正相关关系，且存在滞后现象，林地与灌丛、草地相比，其NDVI受降水影响相对较小，气温对植被年内生长的影响大于降水；1982～2006年流域年均ND
2023-03-31 12:55:48
384KB
1
孪生LSTM网络(Siamese-LSTM)
本项目是基于孪生LSTM网络+注意力机制+曼哈顿距离(Manhattan distance)实现的句对相似度计算。
中文训练数据为蚂蚁金服句对数据，约4万组，正负样本比例1:3.6；英文训练数据来自Kaggle上的Quora句对数据，约40万组，正负样本比例1:1.7。新增一组翻译数据：使用Google Translator将Quora数据翻译成中文。
资料
参考文献
中国大陆可能无法访问《How to predict...Manhattan LSTM》一文，请直接查看本项目中附件之参考博客
其它数据
英文词向量：
英文词向量：
中文词向量：
工程参考
Original author's GitHub
一些网络设计思路
使用
训练
$ python3 train.py
$ type cn for Chinese Data or en for
2023-03-17 22:42:46
40.91MB
1
主要依赖包：
numpy
tqdm
Pillow
使用方法：
python exp4.py
q = 2
for i in range(24):
name = str(i+1).zfill(2)
print("正在处理[{}/{}]：".format(name, 24))
img = Image.open("dataset/kodim{}.png".format(name))
encoder = Encoder()
encoder.encode(img, "bin/kodim{}.bin".format(name), q)
decoder = Decoder()
img = decoder.decode("bin/kodim{}.bin".format(name), q)
img.save("res/kodim{}.bmp".format(name))
ratio = 0.
psnr = 0.
for i in range(24):
name = str(i+1).zfill(2)
bmp_
2023-03-13 17:00:12
40.36MB
1