cadence轨对轨电路仿真笔记，包括静态工作点仿真，交直流瞬态仿真，以及跨导稳定度的仿真，基本的操作以及解释。

FRETSCAL 筛选含有 CFP 和 YFP 标记蛋白的细胞图像，以确定两种荧光团之间的能量转移 (FRET) 程度。 FRETSCAL 的图形用户界面 (GUI) 允许用户指定用于识别图像中感兴趣区域 (AOI) 的标准。 标准包括信号背景比、信号强度与高斯分布的拟合、AOI 之间的最小距离、AOI 的大小、强度限制和周围背景区域的位置。 FRETSCAL 生成 AOI 的裁剪 TIFS，包括用户指定的围绕 AOI 的区域作为上下文。 用户可以筛选 AOI，根据目视检查和图像统计选择保留或丢弃 AOI。 最终输出是一个文本文件，其中包括强度数据和 FRET 指数 FretR 的计算。 FretR 可用作标记蛋白质之间距离的估计值。 FRETSCAL 附带用户手册和示例图像集。

#R 编程 我对 Coursera 上课程作业的解决方案。 [Week 1](./Week 1) -没有编程作业，只包含用于解决测验的数据集 [Week 2](./Week 2) - 编程作业（空气污染） [第 3 周](./第 3 周) - 编程赋值（缓存矩阵的逆） [第 4 周](./第 4 周) - 笔记和编程作业（医院质量）

H = COCHRANQTEST(X) 在 N×K 矩阵的 K 列具有相同成功次数和失败次数的假设下执行非参数 Cochran Q 检验。 H==0 表示不能在 5 显着性水平拒绝原假设。 H == 1表示原假设可以在5％的水平上被拒绝。 X 应包含二分值（成功/失败、左/右、是/否、真/假、0/1 等），其中一个值表示成功，另一个值表示失败。 K列对应K个相关观察； N行对应于N个不同的情况。 请注意，成功和失败的编码无关紧要。 最高值将被视为成功。 另请注意，仅包含成功或失败的案例不会影响测试统计量。 X 可以是（两个不同的）字符串的元胞数组（例如，“YES”和“NO”）。 H = COCHRANQTEST(...,ALPHA) 在显着性水平 (100*ALPHA)% 上执行检验。 ALPHA 必须是 0 到 1 之间的标量。 [H,P] = COCHRANQTEST(...)

alignTools alignTools是用于逐对DNA序列比对的C实现工具的集合。 它包括以下对齐功能： 整体一致性 局部语言 适合对齐（跳跃状态） 重叠对齐 编辑距离 不久的将来将添加更多功能。 版本 0.7.23-r15 开始使用 安装 $ git clone git@github.com:r3fang/alignTools.git $ cd alignTools $ make $ ./bin/alignTools Program: alignTools (pairwise DNA sequence alignment) Version: 0.7.23-r15 Contact: Rongxin Fang Usage: alignTools [options] Command: global global

当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。

几种益生元对幼犬肠道益生作用的比较研究，雍晓磊，陈茂深，本文以肠道菌群、短链脂肪酸和发酵液pH为指标考察了低聚果糖、菊粉和甘露寡糖三种益生元的体外发酵特性，进而探究对不同类型幼犬�

里面封装了对朋友生日的祝福以及画一个生日蛋糕

通过修改官方的demo实现对蓝牙的读写操作，详细http://blog.csdn.net/chenfengdejuanlian/article/details/45787123

噪声特性对多次采样累加平均技术的影响从理论分析，实例仿真两个方面验证了通过多次采样累加平均技术可以降低噪声