墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
755平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
LAMMPS生成粗糙表面的in文件脚本——Matlab实现
在本文中，我们将介绍如何使用Matlab编写脚本来生成用于LAMMPS的in文件，以模拟具有粗糙表面的材料。我们将逐步介绍生成自定义表面的过程，并提供相应的Matlab源代码。
LAMMPS（Large-scale Atomic/Molecular Massively Parallel Simulator）是一款用于原子和分子动力学模拟的开源软件包。它提供了广泛的功能和灵活性，可以模拟各种材料的动力学行为。
以下是我们介绍的主要步骤及相应的Matlab源代码：
num_atoms = 100; % 原子数量
x = rand(num_atoms, LAMMPS实例教程: In文件详解与Matlab
它提供了丰富的功能和灵活的输入文件格式，使得用户可以轻松地定义模拟系统的参数和计算方法。本文将详细介绍LAMMPS的输入文件（In文件）的结构和语法，并提供一个使用Matlab生成LAMMPS输入文件的实例。本文详细介绍了LAMMPS的输入文件（In文件）的结构和语法，并提供了一个使用Matlab生成LAMMPS输入文件的实例。通过灵活地使用LAMMPS的命令和Matlab的文件操作函数，用户可以方便地定义模拟系统的参数和计算方法。最后使用输出命令定义了输出信息的格式和频率，并执行了模拟运行。
LAMMPS生成粗糙表面的in文件脚本（可调节微结构高、长和宽）
LAMMPS生成粗糙表面的in文件脚本（可调节微结构高、长和宽）
LAMMPS模拟不同亲疏水性粗糙表面的润湿行为——附带Matlab源代码
本文旨在使用LAMMPS（Large-scale Atomic/Molecular Massively Parallel Simulator）软件包和Matlab编写的源代码，模拟不同亲疏水性粗糙表面的润湿行为。为了模拟润湿行为，我们将使用LAMMPS中的分子动力学（MD）来模拟液滴与粗糙表面之间的相互作用。通过调整表面的性质和液滴模型的参数，我们可以研究润湿行为在不同条件下的变化。同时，在分析结果时，我们可以进一步研究液滴位置和形态的变化，以评估不同表面性质对润湿行为的影响。
lammps教程：润湿吸附等粗糙界面建模技巧
粗糙界面建模方法有很多，在之前的推文中也介绍过几种方法，本文介绍另外一种方法。
MATLAB中的点云粗糙度计算
点云粗糙度指的是点云表面的不平滑程度，它对于许多应用非常重要，如三维建模、目标识别和机器人导航等。在本文中，我们将介绍如何使用MATLAB计算点云的粗糙度。以上就是使用MATLAB计算点云粗糙度的过程。通过计算粗糙度，我们可以获得有关点云表面平滑程度的信息，这对于许多点云处理任务非常有用。法线向量是垂直于点云表面的向量，它提供了点云表面的方向信息，这对于计算粗糙度非常有用。接下来，我们遍历每个点，计算它与最近邻点的法线向量之间的夹角。最后，我们将夹角的绝对值相加，并求平均值，得到点云的粗糙度值。
matlab 产生高斯随机粗糙面的函数 输入变量为点数 长度 相关长度 均方根高度
【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：matlab 产生高斯随机粗糙面的函数 输入变量为点数 长度 相关长度 均方根高度 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员
matlab 产生高斯随机粗糙面的函数 输入变量为点数 长度 相关长度 均方根高度.rar
毕业设计、竞赛参考资料，MATLAB学习资料，MATLAB项目源码
Unity抖音小游戏上架实战：从零到一，详解流程与避坑指南
本文详细介绍了Unity抖音小游戏上架的全流程，包括环境准备、SDK集成、开发者账号注册、软著申请、打包提交流程及常见问题解决方案。重点解析了抖音小游戏平台特有的配置细节和避坑技巧，帮助开发者高效完成游戏上架并优化用户体验。
VOF模型求解方法：从SIMPLEC到PISO的稳定性优化策略
本文深入探讨了VOF模型求解方法中SIMPLEC与PISO算法的稳定性优化策略，重点分析了两种算法在稳态和瞬态问题中的应用差异。通过对比PRESTO离散化方法与其他格式的优劣，提供了针对多相流模拟的实用设置建议和稳定性优化技巧，帮助工程师有效提升计算效率和精度。
从MC到DC：三维重建算法的核心原理与实战对比
本文深入对比了三维重建领域两大经典算法Marching Cubes（MC）与Dual Contouring（DC）的核心原理与实战表现。MC算法原理直观、实现简单，但存在特征丢失和二义性问题；DC算法通过求解二次误差函数（QEF）和利用法向量信息，能更好地保留模型的尖锐特征，但计算更复杂。文章结合医学影像处理实例，为开发者根据速度、精度和特征保真度需求选择合适算法提供了清晰指南。
【backtrader保姆级教学】投资组合回测
method1:探索投资组合的最有方案，使用蒙特卡洛模拟Markowitz模型。# 提取最小波动组合对应的权重, 并转换成Numpy数组。# 绘制收益-标准差的散点图，并用颜色描绘夏普比率。# 在收益-风险散点图中突出风险最小的点。:param any_day: 任意日期。# 将该点坐标显示在图中并保留四位小数。password = “替换密码”# 找到标准差最小数据的索引值。user = “替换账号”# 计算GMV投资组合收益。# 计算每项资产的夏普比率。# 设置无风险回报率为0。
Open3D点云数据处理（二）：读写点云，你真的会吗？
本文详细介绍了open3d加载点云、保存点云的方法，同时打印点云坐标、颜色、法向量等字段信息。
mapbox 从入门到精通 - 目录
欢迎大家来到gis分享者的《mapbox 从入门到精通》专栏。博主列出学习大纲，如果有什么问题，欢迎留言。
国科大作业考试资料-人工智能原理与算法-2024新编-第十一次作业整理
1、有一位教授想知道学生是否睡眠充足。每天，教授观察学生在课堂 上是否睡觉，并观察他们是否有红眼。教授获得如下的领域知识： （1）没有观察数据时，学生睡眠充足的先验概率为0.7。 （2）给定学生前一天睡眠充足为条件，学生在晚上睡眠充足的概率是0.8；如果前一天睡眠不充足，则是0.3。 （3）如果学生睡眠充足，则红眼的概率是0.2，否则是0.7。 （4）如果学生睡眠充足，则在课堂上睡觉的概率是0.1，否则是0.3。 将这些信息形式化为一个动态贝叶斯网络，使教授可以使用这个网络从观察序列中进行滤波和预
微信小程序 - [wxapplib]] backgroundfetch privacy fail {“errno”:101,“errMsg”:“private_getBackgroundFetchDa
微信小程序报错之backgroundfetch privacy fail，微信小程序报错WAServiceMainContext.js:1 [wxapplib]] backgroundfetch privacy fail {“errno“:101,怎么解决？问题出现：调用wx.chooseMessageFile报错（开发者工具中正常）用户隐私协议中未声明小程序使用此功能，安卓真机调试报错：backgroundfetch privacy fail ，怎么解决？微信小程序[wxapplib]] backgrou
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1375
扫一扫
