在四个维度上N = 2 $$ \ mathcal {N} = 2 $$形保形超重力的框架中，我们引入了一个适合描述最大超对称时空中的部分超对称破坏的幂等手性超场。 作为应用程序，我们为部分N = 2→N = 1 $$ \ mathcal {N} = 2 \至\ mathcal {N} = 1 $$构造超对称性构造Maxwell-Goldstone多重动作，打破ℝ×S 3 $$ \ mathrm {\ mathbb {R}} \ times {S} ^ 3 $$，AdS 3×S 1（或其覆盖的AdS 3×ℝ$$ {\ mathrm {AdS}} _ 3 \ times \ mathrm {\ mathbb {R }} $$）和pp波时空。 在每种情况下，该动作都与N = 1 $$ \ mathcal {N} = 1 $$超对称Born-Infeld动作的唯一弯曲超空间扩展相吻合，这由U（1）的要求选出 对偶不变性。

论文旨在研究框架—剪力墙受力计算中考虑了框架梁柱节点的非刚性后,水平荷载在框架与剪力墙之间如何分配。介绍了混合结构的非刚性节点,并简单讨论了框架—剪力墙铰接体系在水平荷载下的简化计算方法。引入节点刚度k计算框架的刚度D,并推导出了考虑节点非刚性后的结构水平荷载分配系数公式。

对于淹没的植被流，速度分布在下部区域的植被层和上部非植被区域的表层具有两个独特的分布。 基于混合层的类比，针对两层中的速度分布提出了不同的分析模型。 本文评估了Klopstra等人，Defina和Bixio，Yang等人的四个分析模型。 和Nepf对照文献中提供的各种独立实验数据。 为了检验模型的适用性和鲁棒性，作者使用了19个数据集，这些数据具有不同的相对淹没深度，不同的植被密度和河床坡度（1.8×10-6-4.0×10-3）。 这项研究表明，没有一个模型能够很好地预测所有数据集的速度剖面。 在某些情况下，除了Yang的模型以外的三个模型都表现良好，但在大多数研究的情况下，Yang的模型都失败了。 还发现，如果使用相同的涡流混合长度尺度（λ），则Defina模型与Klopstra模型几乎相同。 最后，仔细检查Defina模型中涡流的混合长度尺度（λ），发现当λ/ h = 1/40（H / h）1/2时，该模型可以很好地预测所有使用的数据集的速度分布。

探讨了基于经验模态分解(EMD)和支持向量机(SVM)的提升机刚性罐道故障诊断方法。首先利用EMD对采集的振动信号进行分解以获得内蕴模态函数(IMF),并结合小波降噪对其高频分量进行降噪。然后,提取降噪后IMF分量中的典型信息作为故障特征向量,使用SVM进行故障模式识别。

两个坐标系下对三个相同的点以及以上的点求出两个坐标系下的转换关系，同时含有python\matlab版本

GJB 362B-2009 刚性印制板通用规范

提出了一种基于最优Atlas图像搜索和局部加权B样条变换的全自动非刚性分层配准分割感兴趣区域（ROI）方法。实验结果表明, 所提算法配准的ROI准确度达到95.6%, 归一化互信息值为1.8432, 均方根误差为1.12%, 相关系数提高了18.33%。相比其他配准方法, 所提方案的配准精度及准确度明显提升, 对临床辅助诊断有重要意义。

此功能将执行恶魔配准，这是一种快速非刚性流体，如两个 2D 或 3D 图像之间的配准。 还支持不同 (MRI) 模态之间的配准，通过转换一个图像模态使其看起来像第二个图像的模态的功能。 Thirion 1998的论文描述了恶魔的注册，Cachier 1999和He Wang 2005对其进行了扩展。 基本算法：在每个像素上，使用强度差异和梯度信息定义速度（运动）。 该速度场由高斯平滑，并反复用于变换运动图像，并配准到静态图像。 （文件 basic_demon_example.m 中易于理解的代码示例） 我们没有使用“demonregistration”函数的基本方程，而是将其重写为由极限内存 BFGS 优化器以迭代和多分辨率方式使用，还支持扩散正则化。 （另见 Tom Vercauteren 等人。“非参数微分形态图像...”） 将一种模态转换为另一幅图像的假模态是通过使用两个图

非刚性神经辐射场 这是项目“非刚性神经辐射场：从单眼视频到动态场景的重构和新颖视图合成”（NR-NeRF）的官方资料库。 我们将NeRF（一种用于静态场景的逼真外观和几何重构的最新技术）扩展到动态/变形/非刚性场景。 有关详细信息，请参阅和，其中还包括补充视频。 入门 我们修改了损失，并在2021年2月的更新中添加了多视图支持，一些简单的场景编辑功能，评估代码和简单的基准。 有关此代码的原始版本，请参阅此存储库的december2020分支。 安装 克隆此存储库。 （可选）安装 。 设置nrnerf环境nrnerf （或使用pip安装要求）： conda env create -f environment.yml （可选）对于数据加载和相机参数估计，我们包含了一个虚拟实现，该实现仅适用于所包含的示例序列。 如果您不想编写本自述文件结尾处指定的自己的实现，则可以改用以下程序和文件：

针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题,以提高罐道故障种类识别精度为目标,提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟台阶突起故障和罐道接头故障这2种典型的罐道故障,采集提升容器振动加速度信号;运用小波包分解对采集的信号进行能量分析并提取故障特征参数,将故障特征参数作为BP神经网络的输入,并选取新的测试样本检测神经网络的诊断效果。测试结果表明,基于小波包分析和BP神经网络的刚性罐道故障诊断方法具有较高的故障识别精度,置信度达到了0.91。