Jim Wilkes 教授提供了管道中水平流的体积流量与施加的压力梯度的代表性值 [1]。 管道半径等于 0.01 m。 我们使用这些代表值，结合使用 Mathematica 确定的体积流量的解析表达式，来计算幂律和宾汉流体的本构方程的参数。 参考： [1] Wilkes, JO，化学工程师的流体力学，Prentice Hall，Upper Saddle 河，1999。 如需使用 Mathematica 进行处理，请访问以下链接： http://library.wolfram.com/infocenter/Articles/6739/ http://library.wolfram.com/infocenter/MathSource/5152/

YoloV5-ncnn-Raspberry-Pi-4 带有ncnn框架的YoloV5。 论文： ： 专为裸露的Raspberry Pi 4制作，请参阅 基准。 模型 杰特逊纳米2015 MHz RPi 4 64-OS 1950兆赫 YoloV2（416x416） 10.1帧/秒 3.0帧/秒 YoloV3（352x352）微小 17.7帧/秒 4.4 FPS YoloV4（416x416）微小 11.2 FPS 3.4帧/秒 YoloV4（608x608）完整 0.7帧/秒 0.2帧/秒 YoloV5（640x640）小 4.0 FPS 1.6帧/秒 依赖关系。 要运行该应用程序，您必须： 具有32或64位操作系统的树莓派4。 它可以是Raspberry 64位操作系统，也可以是Ubuntu 18.04 / 20.04。 已安装腾讯ncnn框架。 已安装OpenC

matlab建模代码数学规划 Algorithm Implementation in Mathematical Modeling MATLAB code for classic mathematical modeling. 层次分析法(AHP) 元胞自动机(Cellular Automata) 模糊数学模型(Fuzzy Mathematical Model 目标规划(Goal Programming) 图论(Graph Theory) 灰色系统建模(Grey System) 启发式算法(Heuristic Algorithm) 免疫算法(Immune Algorithm) 整数规划(Integer Programming) 《MATLAB智能算法案例》(Intelligence Algorithm) 插值(Interpolation) 线性规划(Linear Programming) 多元分析(Multivarite Analysis) 神经网络(Neural Network) 非线性规划(Non Linear Programming) 常微分方程(Oridinary Differen

Model Checking经典书籍,如果做形式化验证的话属于必读系列

image_color_segmentation-gmm：实现的高斯混合模型（GMM）用于图像颜色分割

PSpice 提供Model Editor 建立元件的Model，从元件供应商那边拿到该元件的Datasheet，透过描点的方式就可以简单的建立元件的仿真模型，来做电路的模仿真。

Model checking is a computer-assisted method for the analysis of dynamical systems that can be modeled by state-transition systems. Drawing from research traditions in mathematical logic, programming languages, hardware design, and theoretical computer science, model checking is now widely used for the verification of hardware and software in industry. This chapter is an introduction and short survey of model checking. The chapter aims to motivate and link the individual chapters of the handbook, and to provide context for readers who are not familiar with model checking.

gmm的matlab代码高斯混合模型_聚类 高斯混合模型的聚类Matlab代码 您可以选择初始化和规范化的方法。 性能指标包括ACC，ARI和ANMI。 GMM算法： 虹膜的例子 运行demo_data.m 虹膜的结果是： 迭代1，迭代次数：38，精度：0.96666667 迭代2，迭代次数：38，精度：0.96666667 迭代3，迭代次数：38，精度：0.96666667 迭代4，迭代次数：38，精度：0.96666667 迭代5，迭代次数：38，精度：0.96666667 迭代6，迭代次数：38，精度：0.96666667 迭代7，迭代次数：38，精度：0.96666667 迭代8，迭代次数：38，精度：0.96666667 迭代9，迭代次数：38，精度：0.96666667 迭代10，迭代次数：38，精度：0.96666667 该算法的平均迭代次数为：38.00 平均运行时间为：0.11719 平均准确度是：0.96666667 平均randint指数是：0.95749441 平均归一化的共同信息是：0.89969459 代码作者 王荣荣（kailugaji） 2020/7/5

使用PyTorch进行深度排序 更新（1-1-2020） 变化 修正错误 重构代码 通过在gpu上添加nms来进行准确检测 最新更新（07-22） 变化 错误修复（感谢@ JieChen91和@ yingsen1进行错误报告）。 使用批处理为每个帧提取特征，这会导致速度提速。 代码改进。 进一步的改进方向 在特定数据集而不是官方数据集上训练检测器。 在pedestrain数据集上重新训练REID模型以获得更好的性能。 将YOLOv3检测器替换为高级检测器。 欢迎对此存储库做出任何贡献！ 介绍 这是MOT跟踪算法深度排序的一种实现。 深度排序与排序基本相同，但深度CNN模型添加了CNN模型以提取受检测器限制的人体部位图像中的特征。 这个CNN模型确实是一个RE-ID模型， 使用的检测器是FasterRCNN，原始源代码是 。 但是，在原始代码中，CNN模型是使用tensorf

这是 H. Enzinger、K. Freiberger 和 C. Vogel 在 IEEE 电路和系统国际研讨会上发表的论文“射频功率放大器的联合线性效率模型”中提出的模型的实现(ISCAS), 2016。论文可从以下网址下载： www.researchgate.net/publication/290446251