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
500+累计阅读
508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体系温度分析与MATLAB计算
在分子动力学模拟中，LAMMPS（Large-scale Atomic/Molecular Massively Parallel Simulator）是一个常用的开源软件包，用于模拟原子尺度系统的行为。其中一个重要的方面是对体系温度的分析，它可以提供有关体系热力学行为的重要信息。在本文中，我们将介绍如何使用MATLAB计算LAMMPS模拟的体系温度。
首先，我们需要从LAMMPS输出文件中提取原子的位置和速度信息。通常，LAMMPS输出文件的格式为文本文件，其中包含了每个时间步长的原子坐标、速度和其他相关信息。我们可以使用MATLAB的文件读取功能来导入这些数据。假设我们的LAMMPS输出文件名为"lammps_output.txt"，以下是导入数据的示例代码：
% 导入LAMMPS输出文件
data = importdata('lammps_output.txt');
% 提取原子坐标和速度
atom_coords 【LAMMPS学习】八、基础知识(3.4)温度计算
温度计算为动能除以一定数量的自由度（和玻尔兹曼常数）。由于动能是粒子速度的函数，因此通常需要区分粒子的平流速度（由于粒子的某些聚集运动）及其热速度。两者之和就是粒子的总速度，但后者通常是计算温度所需的。
lammps教程：单原子温度计算及输出方法
大家好，我是小马老师。 在lammps模拟中，可以使用thermo命令输出整个体系的温度。 但在有些时候可能需要输出每个原子的温度，并绘制温度云图，如下图所示： 单个原子的温度应该如何输出？温度云图又是如何绘制？ 接下来将详细介绍但原子温度计算方法。 既然是输出单个原子的信息，必然要用到dump命令，但是默认情况下，lammps并没有提供单原子温度属性。 因此，需要根据动能和温度转换关系计算单个原子的速度，代码如下： compute KE all ke/atom variable
Lammps体系轨迹分析系列（一）—— MATLAB计算温度
%------------------------------------------------% % this code is only for temperature %------------------------------------------------% all_frame = size(atom_data,3); % 全部需要计算的帧 bin_num = 147; % 将体系划分block KB = 8...
LAMMPS体系轨迹分析系列：MATLAB计算温度
通过读取LAMMPS生成的轨迹数据并利用原子速度信息进行计算，我们可以得到体系的温度。希望本文能为您提供一些有用的指导，并为进一步研究和应用LAMMPS提供帮助。在分子动力学模拟中，LAMMPS是一个常用的开源软件包，可以用于模拟原子、分子以及其他粒子的动力学行为。对于通过LAMMPS模拟得到的轨迹数据，我们经常需要进行一些分析来了解体系的性质。本文将介绍如何使用MATLAB计算LAMMPS体系的温度，并提供相应的源代码。，然后计算原子的速度，并最终通过函数。，函数输入为原子速度。，输出为体系的温度。
LAMMPS后处理——MATLAB子函数合集整理
本博客将会介绍一些集成后子函数，可直接调用，用于Lammps的后处理，子函数内容和功能会及时更新，请关注博客更新时间
LAMMPS非平衡分子动力学 (NEMD) 纳米线热导率教程—一个代码循环计算不同温度和尺寸
前言 热力学性质的不均匀性导致的过程为运输过程，温度的不均匀性下的能量运输为热传导现象。显然，热传导是和材料的尺寸和系统处于的环境温度有关。 那么如何根据Lammps循环获得不同温度、不同尺寸下的热导率呢？ 一、平衡态！？什么是非平衡态？ 将一个系统置于两个温度不同的热源之间，最终会在系统内建立一个稳定的 (不随时间变化的) 温度分布。我们说这样的系统处于一个稳态，但不处于一个平衡态。稳态和平衡态都是不依赖与时间的，但前者属于非平衡态。 二、物理模型 以 ArgonArgonArgon 为例，我们选择
Matlab计算随模拟时间变化的热导率
每一帧都对应体系的一个温度状态。也就是每一帧都会存在一个热导率。例如：文献中 Thermal conductivity of glass fiber-reinforced silica aerogels using molecular dynamics simulations，给出的例子。那么如何计算这个随时间变化的热导率呢？...
LAMMPS如何计算速度矢量分布？MATLAB
在MD模拟中，LAMMPS是一款广泛使用的计算软件包，而MATLAB则是一种功能强大的数值计算环境。LAMMPS提供了强大的分子动力学模拟功能，而MATLAB则为后处理和数据分析提供了丰富的工具和函数。它能够模拟原子、分子和其他粒子的动力学行为，并提供丰富的功能和灵活的扩展性。通过读取文件中的数据，我们可以提取出三个坐标轴上的速度分量，并计算出速度矢量大小。在分子动力学模拟中，每个粒子都有一个速度矢量，包括了粒子在三个坐标轴上的速度分量。在LAMMPS中，通过指定时间步长和模拟时间，可以执行MD模拟。
Lammps循环定压比热熔计算及Matlab实现
循环定压比热熔计算是一种常用的方法，用于模拟材料在高温下的熔化行为，对于理解材料的结构与性质具有重要意义。通过Lammps软件的循环定压比热熔计算方法以及Matlab的代码实现，我们可以对材料在高温下的熔化行为进行模拟和分析。在分子动力学模拟中，通过计算系统的内能和温度的关系，可以得到系统的比热。一般情况下，初始的固态晶胞模型是通过等温等容（NVT）模拟得到的，因此需要将晶胞的体积逐渐减小至目标压力。温度升高：在施加恒定压力的条件下，逐步提高系统的温度，使其接近或达到熔点。
LAMMPS的in文件如何抢占计算资源，大规模循环计算？
LAMMPS如何抢占资源，循环计算？ 在计算资源有限的情况下，常常因为一个任务结束而排不上队。那么在计算lammps过程中如何通过脚本循环计算不同的in文件呢？ 比如我要计算不同温度下观察一物理量的变化： 假设有100,200,300,400,500,600,700,800. 8个温度变化，我想写入不同的文件夹。 具体实现的功能： 1、分别创建文件夹。 2、并将需要的data文件和势能函数文件复制进不同的文件夹里。 3、计算-并在不同的文件夹写出结果。 代码如下： #--------------------
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后处理——MATLAB空间网格划分
通过将粒子坐标划分到三维空间网格中，我们可以进行粒子数量、密度和温度等属性的统计分析，并通过可视化展示结果。上述代码中，我们首先定义了空间网格的边界，即粒子坐标的最小值和最大值。然后，我们通过设置合适的网格数量，使用"hist3"函数将粒子划分到对应的网格中。最后，我们使用"slice"函数绘制出空间网格，并使用"colorbar"函数添加颜色标尺。通过上述代码，我们可以计算每个网格区域内的粒子数量、平均密度和平均温度，并使用散点图可视化结果。LAMMPS后处理——MATLAB空间网格划分。
LAMMPS模拟纳米孔道中的气体驱替过程（MATLAB实现）
通过定义纳米孔道模型、原子势能模型和模拟参数，并编写MATLAB主程序来调用LAMMPS引擎，我们可以进行准确且高效的模拟计算。通过定义纳米孔道模型、原子势能模型和模拟参数，并编写MATLAB主程序来调用LAMMPS引擎，我们可以进行准确且高效的模拟计算。可以使用MATLAB的系统命令来调用LAMMPS引擎，并将模拟的输入文件和参数传递给引擎。可以使用MATLAB的系统命令来调用LAMMPS引擎，并将模拟的输入文件和参数传递给引擎。在模拟之前，我们需要设置模拟的参数，如温度、压力和模拟时间步长。
lammps导热系数计算方法,导热系数的计算,Unix_Linux
19或许各位有疑问，诶，窝明明固体物理和热统学过啊，如果不计入格点间的非简谐相互作用（即关于位置变化量的3阶项及以上），非谐效应中的热膨胀和热传导是不存在的由于核心思路是通过热流和温度梯度在某段范围内稳定的呈线性关系相比得到kappa的，这里有一个Green-Kubo线性响应理论
LAMMPS计算热导率讲解、代码最全资源（含视频教程）
LAMMPS计算热导率讲解、代码最全资源
宇树G1嵌入式软件架构及技术实现
该架构通过硬件加速（FPGA）+确定性调度（RTX5）的组合，在1ms控制周期内完成从传感器采集到43轴输出的全链路处理，相比波士顿动力系统缩短40%的着地稳定时间。，结合ARM Cortex-R5与FPGA的异构计算能力，实现43自由度1kHz实时控制。
【论文阅读笔记】One Shot 3D Photography
论文主页：https://facebookresearch.github.io/one_shot_3d_photography/ 代码地址：https://github.com/facebookresearch/one_shot_3d_photography 该3D照片方向，由于刚入门，所以会倾向于翻译文章。每个操作上的选择，及为什么不进行另外操作的原因都如数放上。 论文小结 本作的工作是从单张RGB图片生成一个移动视角的3D照片。 其管道大致如下： 由RGB图像通过单目深度估计网络估计深度图
IIR数字滤波器原理，设计方法及嵌入式应用
基于STM32的二阶直接II型巴特沃斯低通滤波器设计方法及应用
matlab生成blocks、bumps和doppler标准测试信号
关键函数：wnoise使用方式X = wnoise(FUN,N) [X,XN] = wnoise(FUN,N,SQRT_SNR) [X,XN] = wnoise(FUN,N,SQRT_SNR,INIT)X = wnoise(FUN,N) 返回由 FUN给出的信号，长度为2^N，幅值范围[0,1].[X,XN] = wnoise(FUN,N,SQRT_SNR) ，返回了一个测试信号X，以及一个加噪
VS配置RTKLIB（卫星定位开源代码）环境
@RTKlib代码调试教程-Visual Studio 2019 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 ##RTKLIB-rtklib_2.4.3 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 @RTKlib代码调试教程-Visual Studio 2019 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技
Pytorch.nn.Linear 解析（数学角度）
pytorch.nn.Linear 是一个类，下面是它的一些初始化参数 in_features : 输入样本的张量大小 out_features : 输出样本的张量大小 bias : 偏置 它主要是对输入数据做一个线性变换。 y=xAT+b y=xA^T+b y=xAT+b 这里A是权重矩阵，b是偏置。他们都是根据 in_features 生成 测试代码： m = torch.nn.Linea...
项目经理必看：如何建立高效的相关方沟通机制？
你是否遇到过这样的场景？客户突然说“这不是我要的”，开发团队抱怨“需求总变”，高层追问“进度滞后为什么不早说”？这些问题的根源往往是——相关方沟通机制失效。本文聚焦“如何建立高效沟通机制”，覆盖从识别相关方到持续优化的全流程，适用于IT、产品、工程等各类项目。本文将按“理解问题→拆解核心概念→掌握工具方法→实战落地→未来趋势”的逻辑展开，重点讲解“相关方分析矩阵”“沟通计划表”等实用工具，并用“组织生日派对”的案例贯穿全文，让抽象概念变得可感知。相关方识别：用“权力/利益矩阵”找对人（像派对邀请关键客人）
【python数据挖掘课程】二十八.基于LDA和pyLDAvis的主题挖掘及可视化分析
这是《Python数据挖掘课程》系列文章，前面很多文章都讲解了数据挖掘、机器学习，这篇文章主要讲解LDA和pyLDAvis算法，同时讲解如何读取CSV文本内容进行主题挖掘及可视化展示。文章比较基础，希望对你有所帮助，提供些思路，也是自己教学的内容。推荐大家购买作者新书《Python网络数据爬取及分析从入门到精通（分析篇）》，如果文章中存在错误或不足之处，还请海涵。 目录： 一.显示结果及安装 二.LDA主题挖掘 三.pyLDAvis可视化分析 四.小结
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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")
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
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
2242
扫一扫
