目标是编写运行脚本的 MATLAB 代码，以便在 HYSYS 中操作流组合。 这可以通过执行以下过程来完成： 首先应该在 HYSYS 中制作一个脚本（工具 -> 脚本管理器 -> 新建） 然后，手动更改流组成并停止录制脚本。 您正在工作的路线中将有一个 *.SCP 文件。 通过打开 SCP 文件，我们可以看到新合成值的位置在哪里。 使用 MATLAB 中的“fseek”和“fwrite”命令，可以替换所需的值。 现在我们可以从 MATLAB 运行脚本并查看 HYSYS 文件中的更改

xgboost代码回归matlab 神经解码： 包含许多用于解码神经活动的方法的python软件包 该软件包包含经典解码方法（维纳滤波器，维纳级联，卡尔曼滤波器，支持向量回归）和现代机器学习方法（XGBoost，密集神经网络，递归神经网络，GRU，LSTM）的混合。 当前设计解码器来预测连续值的输出。 将来，我们将修改功能以允许分类。 该程序包随附一个，用于比较这些方法在多个数据集上的性能。 如果您在研究中使用我们的代码，请引用该手稿，我们将不胜感激。 依存关系 为了运行所有基于神经网络的解码器，您需要安装为了运行XGBoost解码器，您需要安装为了运行维纳滤波器，维纳级联或支持向量回归，您将需要。 入门 我们提供了jupyter笔记本，其中提供了有关如何使用解码器的详细示例。 文件“ Examples_kf_decoder”用于卡尔曼滤波器解码器，文件“ Examples_all_decoders”用于所有其他解码器。 在这里，我们提供一个使用LSTM解码器的基本示例。 对于此示例，我们假设我们已经加载了矩阵： “ neural_data”：大小为“时间段总数” x“神经元数量”的矩

基于CNN的姿势识别 帮助机器通过相机了解人类的行为很重要。 一旦实现，机器就可以对各种人体姿势做出不同的React。 但是该过程也非常困难，因为通常它非常缓慢且耗电，并且需要非常大的存储空间。 在这里，我们着重于实时姿势识别，并尝试使机器“知道”我们做出的姿势。 姿势识别系统由DE10-Nano SoC FPGA套件，相机和HDMI监视器组成。 SoC FPGA捕获来自摄像机的视频流，使用CNN模型识别人体姿势，最后通过HDMI接口显示原始视频和分类结果（站立，行走，挥动等）。 单据 我们在这里上传论文。 并演示了该项目的详细信息。 专案 我们上载我们的项目，包括Matlab，Python和Quartus。 软件版本为： Matlab R2017b 的Python 3.6.3 Python5.1.0 TensorFlow-gpu 1.3.0 Quartus 14.0

使用process启动exe并监听接收来自exe输出的console数据的demo

我们通过一个案例研究来说明，回归预测是预测运动成绩的最佳方法。 通过从巴西最著名的体育网站之一获得数学家对一级足球晋升的预测，我们表明，当我们期望回归均值时，进行贝叶斯更新会产生误导。 专家未能意识到结果越极端，预期的回归就越大，因为极高的分数表示非常幸运的日子。

神经架构搜索Neural Architecture Search (NAS)是深度学习研究热点。NAS旨在通过使用有限的计算资源，以尽可能少的人工干预的自动化方式设计具有最佳性能的网络架构。西北大学等学者发布了关于神经架构搜索的综述论文，对NAS进行了全面、系统的综述。

PyCTD 是一个Python软件包，可通过提供的数据访问和查询化学-基因/蛋白质相互作用，化学-疾病和基因-疾病关系。 数据安装在（本地或远程）RDBMS中，通过使用SQLAlchemy数据库层，可以使生物信息算法对复杂查询的响应时间非常快，并且具有很高的灵活性。 PyCTD由Fraunhofer算法与科学计算研究所 开发。有关CTD的更多信息，请转到。 以下项目支持此开发： 和 。 支持的数据库 PyCTD使用SQLAlchemy来覆盖广泛的RDMS（关系数据库管理系统）。 为了获得最佳性能，建议使用MySQL或MariaDB。 但是，如果您无法在系统上安装软件SQLite（不需要进一步安装），则也可以使用。 SQLAlchemy支持以下RDMS： 火鸟 Microsoft SQL服务器 MySQL的/ MariaDB的 Oracle PostgreSQL SQLi

该程序将记录从 imaris 输出的 x、y、z 坐标，对应于作为灯丝生成函数端点的小点。

BigMart销售预测 BigMart销售数据集包含2013年销售数据，这些数据来自不同城市的10个不同网点的1559种产品。 以下项目的目标是建立一个回归模型，以预测下一年在10个不同的BigMart网点中每种1559产品的销售情况。 BigMart销售数据集还包含每个产品和商店的某些属性。 此模型可帮助BigMart了解在增加整体销售额中起重要作用的产品和商店的属性。 该项目由Harsh Nagoriya自豪地创建。

此模型展示了如何从 Excel 文件中获取数据，并将其用于在特定时间生成多个实体。 这个想法是，如果你将有关生成的实体编号的信息存储在Excel中，您希望将其用于特定模型的SimEvents。 例如， 分配到每个任务/任务的飞机/汽车数量。