热传递matlab代码传热项目 此回购协议是2020年Spring完成的所有传热类项目每个文件夹包括： 1.任务说明2.MATLAB代码3.写ups

matlab中存档算法代码KTA2 KTA2-克里金辅助的Two_Arch2 - - - - - - - - - - - - - - - - 参考 - - - - - - - - - -------------- Z. Song，H. Wang，C. He和Y. Jin，Kriging辅助的两归档进化算法，用于IEEE进化计算中的多目标优化。 -------------------------------版权------------------ -------------- 版权所有（c）2021 HandingWangXD Group。 在保留本版权声明并引用了代码来源的前提下，允许出于研究和非商业目的复制和使用此代码。 该代码按“原样”提供，没有任何明示或暗示的保证。 ----------------------------参数设置-------------------- ------- mu --- 5 ---每一代重新评估的解决方案的数量 tau --- 0.75 * N ---训练数据中一种非影响点的比例 wmax-10-更新CA和DA之前的世代数 phi --- 0.1 -

物联网时代，所有设备都可以接入我们的互联网。想想看只要有一台智能手机，就可以操控所有的设备，也可以获取到所有设备采集的信息。不过，并不是所有设备都支持HTTP协议的，而且让设备支持HTTP协议也不现实，因为对于设备来说，这个协议太重了，会消耗大量的带宽和电量。于是CoAP协议也就运应而生了，我们可以把它看为超简化版的HTTP协议。而Californium框架，就是对CoAP协议的Java实现。在阅读Californium框架之前，我们需要对CoAP协议有个大致的了解，已经懂得了的同学可以直接跳过本章节。首先让我们看一下CoAP协议的报文是长啥样的：Version(Ver)：长度为2位，表示Co

神经网络实现分类matlab代码人工神经网络的 LRP 工具箱 (1.3.0) 逐层相关性传播 (LRP) 算法通过使用学习模型本身的拓扑将相关性分数归因于输入的重要组成部分来解释特定于给定数据点的分类器的预测。 LRP 工具箱为支持 Matlab 和 python 的人工神经网络提供了简单且可访问的 LRP 独立实现。 工具箱实现了 Caffe 深度学习框架的 LRP 功能，作为 10/2015 发布的 Caffe 源代码的扩展。 Matlab 和 python 的实现旨在作为沙箱或游乐场，让用户熟悉 LRP 算法，因此在实现时考虑了可读性和透明度。 可以使用原始文本格式、Matlab 的 .mat 文件和 python/numpy 的 .npy 格式导入和导出模型和数据。 查看 LRP 工具箱的实际应用 要在浏览器中试用基于 python 的 MNIST 演示或基于 Caffe 的 ImageNet 演示，请单击相应的面板： MNIST 图片 文本 基于神经网络的简单 LRP 演示，可预测手写数字并使用 MNIST 数据集进行训练。 基于使用 Caffe 实现的神经网络的更复杂的

水声通信matlab代码宽带线性时变信道中的多层传输 抽象的 考虑宽带线性时变多尺度多滞后信道。 该信道模型适用于水声通信。 该项目跟进了提出的多层（多速率）传输方案，其中不同层的数据符号使用不同的脉冲形状以不同的速率进行调制，并在不同的载波上传输。 如果满足某些条件，所提出的方案可以确保在接收器的不同层之间没有串扰。 在这个项目中，多层方案被进一步研究，在层之间允许一些串扰，与无串扰的情况相比，这将允许使用更多的层。 为了评估由于层间串扰导致的质量下降与由于传输更多层导致的数据速率增益之间的权衡，信息速率被数值计算。 MATLAB 以友好的格式 (html) 查看代码及其输出！ 单击以查看信号频谱（通道的输入和输出）和各种接收器实现的信息速率 通道 E，方案 1 注意：点击上方后向下滚动以查看数字！ 单击以查看光谱和速率 通道 A，方案 1 通道 A，方案 2 通道 E，方案 1 注意：这里显示的代码比multiple_script 中少。 另外，点击查看数字后不要忘记向下滚动！ 点击查看方案1和方案2的信息率对比。 源代码 可以找到源代码。 要重现结果，请运行以下脚本（按以下顺序）

k-means聚类算法及matlab代码安全聚类 SAFE（来自Ensemble的单细胞聚合聚类）：单细胞RNA-seq数据的聚类集成 尽管最近已经开发出几种方法来使用单细胞RNA-seq（scRNA-Seq）数据对细胞类型进行聚类，但它们利用了数据的不同特征，并且在聚类数量和实际聚类分配方面均产生了不同的结果。 在这里，我们介绍了SAFE聚类，单细胞聚合（来自Ensemble）聚类，这是一种灵活，准确且可靠的聚类scRNA-Seq数据的方法。 SAFE聚类将多种聚类方法的结果作为输入，以构建一个共识解决方案。 SAFE聚类目前嵌入了四种最先进的方法，即SC3，CIDR，Seurat和t-SNE + k -means。 并使用三种基于超图的分区算法将这四种方法的解决方案整合在一起。 SAFE聚类由Yuchen Yang []和Yun Yun []维护。 新闻与更新 2020年9月7日 2.00版已发布 SAFEclustering中使用的Seuart版本已更新为版本3。Seuratv.2不再兼容 SAFE聚类仅接受计数数据。 其他格式，例如FPKM，CPM和RPKM不再兼容 2018年

dnsrecon, DNS枚举脚本 版本 0.8.9日期：1/14/14更改：版本 0.8.8分析工具和dnsrecon中的次要 Bug 修复程序。日期：4/14/14更改：支持将结果保存到JSON文件。Bug 修复：保存到 XML，CSV和SQL

压缩感知matlab源码 Detouring-Matching-Pursuit-Algorithm-in-Compressed-Sensing 压缩感知中迂回式匹配追踪算法 压缩感知 匹配追踪 迂回 迂回式 迂回式匹配追踪 matlab源代码 计算机研究与发展 2014年9期

word2vec java版源码LF-LDA 和 LF-DMM 潜在特征主题模型 LF-LDA 和 LF-DMM 潜在特征主题模型的实现，如我的 TACL 论文中所述： Dat Quoc Nguyen、Richard Billingsley、Lan Du 和 Mark Johnson。 . 计算语言学协会汇刊，卷。 3，第 299-313 页，2015 年。 LDA 和 DMM 主题模型的实现可在 用法 本节使用预编译的LFTM.jar文件描述命令行或终端中实现的用法。 在这里，预计 Java 1.7+ 已经设置为在命令行或终端中运行（例如：在 Windows 操作系统中将 Java 添加到path环境变量中）。 预编译的LFTM.jar文件和源代码分别位于jar和src文件夹中。 用户可以通过简单地运行ant重新编译源代码（也期望已经安装了ant ）。 此外，用户可以在test文件夹中找到输入示例。 输入主题建模语料库的文件格式 与test文件夹中的corpus.txt文件类似，输入的主题建模语料库中的每一行代表一个文档。 这里，文档是由空格字符分隔的序列词/标记。 用户在训练主题模

骰子系数 matlab代码EASY-分析 与 MSKCC EASY 研究相关的分析 MATLAB 代码 由于快速原型设计需求，最初的实现是在 MATLAB 中完成的。 下面简要介绍这些功能。 在核心 MATLAB 旁边，代码需要 Neuroelf 工具箱（可从 获得）。 easy_annotate.m 此函数将读取注释图像，这些图像必须位于单个文件夹中，并命名如下： [STUDYTOKEN]_ISIC[NUMBER]_[ANNOTATOR]_[FEATURE].jpg 例如 EASYstudy1_ISIC0016092_BestAnnotator_Dots.jpg ISIC[NUMBER]部分用于检测标注与哪个图像相关， [ANNOTATOR]部分用于检测每张图像的标注者数量，最后[FEATURE]部分用于将数据分组为特征. 该函数的第一个参数是 easy_annotate 在其中搜索图像的文件夹。 如果未给出参数，则默认为easy_annotate.m文件所在的文件夹。 在注释（掩码）图像旁边，还需要原始 ISIC 图像，以及默认为'Annotations/study1.csv'的研