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
400+累计阅读
452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
基于近邻列表法的团簇识别与冷凝成核分析（Matlab+Ovito）
近邻列表法是一种常用的方法，用于在原子、分子或颗粒系统中识别团簇并进行冷凝成核分析。本文将介绍如何使用Matlab和Ovito软件进行近邻列表法的团簇识别和冷凝成核分析，并提供相应的源代码。
近邻列表法的基本思想是通过计算颗粒之间的距离来确定它们之间的关系。在团簇识别中，我们可以使用近邻列表法来找到彼此之间距离较近的颗粒，并将它们归类为同一个团簇。
冷凝成核分析是团簇识别的一个重要应用。通过识别团簇，我们可以分析系统中的冷凝成核现象，即小团簇的形成和演化过程。这对于研究材料的相变、相分离等过程具有重要意义。
以下是使用Matlab进行团簇识别与冷凝成核分析的示例代码：
% 导入数据
data = importdata('particles.xyz'); matlab 在点云中找到一个点的半径内的邻居【2024最新版】
在点云中找到一个点的半径内的邻居。博客长期更新，本文最近一次更新时间为：2024年11月9日。
根据近邻列表法识别团簇—冷凝成核 Matlab+Ovito（上）
我们在分析物理过程，如气体冷凝过程、粉尘降尘等，最重要的一点是如何分析识别团簇。例如，冷凝过程，有几个液滴呢？
根据邻近列表法识别团簇的冷凝成核 Matlab+Ovito
邻近列表法是一种基于粒子之间相对距离的算法，用于描述粒子之间的联系和簇团的形成。该方法通过遍历原子系统中的每个粒子，计算其与其他粒子之间的距离，并将距离小于某个阈值的粒子标记为“邻近粒子”。这样，我们可以建立一个以每个粒子为索引的邻近粒子列表，方便后续的团簇识别和分析。通过结合Matlab和Ovito，我们可以有效地使用邻近列表法来识别团簇的冷凝成核过程，并进一步分析团簇的性质和行为。然后，我们使用嵌套的循环遍历距离矩阵中的每个元素，并将符合条件的粒子索引添加到相应的邻近列表中。，用于过滤掉较小的团簇。
液滴接触角边界曲线识别的巧用：Ovito和Matlab
通过结合Ovito和Matlab这两个强大的工具，我们可以实现液滴接触角边界曲线的识别和分析。使用Ovito，我们可以对液滴图像进行预处理和可视化，为后续的分析提供基础。然后，借助Matlab的图像处理和几何分析工具，我们可以提取液滴接触角边界曲线，并计算液滴的接触角。结合Ovito和Matlab，我们可以实现从液滴图像数据中提取接触角边界曲线的目标。通过斜率的计算，我们可以得到液滴接触角的弧度和角度表示。在提取液滴接触角边界曲线之后，我们可以使用Matlab中的几何分析工具和数学算法来计算液滴的接触角。
LAMMPS团簇的K-means聚类识别 —— Matlab分析
在LAMMPS中，团簇识别是一项关键任务，用于确定材料中的原子团簇结构。本文将介绍如何使用K-means聚类算法来识别LAMMPS模拟结果中的团簇，并使用Matlab进行进一步的分析和可视化。上述代码首先导入LAMMPS模拟结果数据，并从中提取原子的位置信息。然后，使用K-means算法对原子位置进行聚类，将其划分为K个簇，并得到每个簇的质心。例如，可以通过计算每个簇中原子的平均密度、结合能等物理量来评估不同簇的稳定性和性质。以上是关于LAMMPS团簇的K-means聚类识别的Matlab分析的文章内容。
Lammps的团簇（cluster）之Kmean识别—Matlab分析
Lammps的团簇（cluster）之Kmean识别—Matlab分析一、团簇？Cluster？是什么？二、分子动力学也有聚类算法-Kmean？三、分子动力学轨迹中“噪音”如何处理？四、基于周期性边界的聚类分析（MD-kmean）分析五、基于MD的聚类分析（MD-kmean）中心点如何选取？ 一、团簇？Cluster？是什么？ ♠\spadesuit♠ 团簇，有很多自然现象会出现团簇行为，比如液滴的冷凝，晶体生长等等。 ♠\spadesuit♠♠\spadesuit♠ 那么在分子动力学中，整个动力学的运动.
lammps计算团簇的方法
下面以Cu融化模拟为例，分析融化过程中团簇的生成过程，模拟结果使用ovito color coding命令进行涂色显示，不同的团簇显示为不同的颜色。在一个group内，原子之间的距离小于一定距离时，可以认为这组原子时一个团簇。语法比较简单，cutoff就是截断半径，小于这个距离的原子被认为是一个团簇。每一个团簇被分配了一个id，同一个团簇内的所有原子，具有相同的团簇id。...
lammps教程：Ovito分析并绘制单原子应变方法
大家好，我是小马老师。 Ovito不仅仅显示原子图像，还能做一些数据分析。 本文以单晶Cu的拉伸为例，介绍如何使用Ovito分析单原子应变，并绘制原子应变云图。 具体操作步骤如下： 在Ovito中导入轨迹文件Cu.xyz 点击“Add modification”，选择“Atomic strain” 在Atomic strain被选中状态下，选择“Output strain tensors”。 这个选项被选中后，可输出6个应变分量。 其他选项可保持默认选项。 点击“Add modif
Cluster_analysis:分析纳米团簇性质的工具
聚类分析 分析纳米团簇性质的工具
ovito手册与总结
ovito手册与总结PDF版，ovito简单入门 ovito是DXA的升级版
论文研究 - 用计算机模拟方法研究原子表面上的团簇沉积
这项研究被广泛应用于具有多达3000个原子的团簇，从而涵盖了实验上可用于低能团簇束沉积的尺寸范围。 分子动力学模型是由Molecular Dynamics和Metropolis Monte Carlo进行的。 这代表了一系列的模拟（175种情况），当需要对参数进行更精细的调整时，可以逐点添加进一步的计算。 分析结果是一项仍在进行中的主要任务。 这样，不仅覆盖了实际的尺寸范围，而且覆盖了与固态和液态有关的整个组成范围和温度范围。
蓝牙Channel Sounding为真正的距离感知赋能
1：工作原理蓝牙™信道探测使用两种经过验证的测距方法——PBR（PBR）和RTT（RTT），实现蓝牙设备之间的安全精密测距。
FFmpeg实战：5分钟搞定m3u8视频下载与ts文件合并（附完整命令）
本文详细介绍了如何使用FFmpeg快速下载m3u8视频并合并ts文件为mp4格式。通过简洁的命令行操作，读者可以轻松完成视频处理任务，包括环境准备、链接获取、下载合并及性能优化等实用技巧，特别适合需要高效处理流媒体内容的用户。
病理组学分析系列教程1：使用Python-histolab进行病理图像预处理，tiles切片自动生成
病理图像tiles自动生成,WSI图像预处理
YOLO26 改进 - 注意力机制 | Mask Attention掩码注意力，可学习掩码矩阵破解低分辨率特征提取难题 | 2025 预印
本文提出了用于低分辨率图像分割的MaskAttn - UNet框架，并将其核心的掩码注意力机制集成到YOLO26中。传统U - Net类模型难以捕捉全局关联，Transformer类模型计算量大，而掩码注意力机制通过可学习的掩码，让模型选择性关注重要区域，融合了卷积的局部效率和注意力的全局视野。其工作流程包括特征适配、掩码生成、定向注意力计算和特征融合。我们将掩码注意力机制代码集成到YOLO26中。
56、Cortex - M33处理器浮点单元（FPU）的使用与优化
本文详细介绍了Cortex-M33处理器浮点单元（FPU）的使用与优化方法，涵盖单双精度浮点计算的选择、编译器命令行配置、ABI模式对比、特殊FPU模式设置（如Flush-to-Zero、Default NaN）、浮点异常处理机制以及FPU电源管理策略。结合代码示例和流程图，提供了在不同应用场景下的最佳实践建议，并总结了常见问题及解决方案，帮助开发者提升嵌入式系统中浮点运算的性能、精度与能效。
使用Python实现卷积神经网络（CNN）
卷积神经网络是一种专门用于处理具有网格状拓扑结构数据（如图像、声音）的深度学习模型。CNN的核心组件是卷积层和池化层，它们能够有效地从图像中提取特征并实现空间不变性，使得模型能够对图像中的物体进行识别和分类。我们定义一个简单的卷积神经网络模型，包括卷积层、池化层和全连接层。return x# 创建模型实例我们选择交叉熵损失函数作为分类任务的损失函数，并使用随机梯度下降（SGD）作为优化器。
【第2章】ComfyUI安装（配置要求/一键安装/快速上手/生成第一张图）ComfyUI基础入门教程
ComfyUI安装教程，内容涵盖：电脑配置要求、安装方式、软件&插件升级方式、打开ComfyUI、生成第一张AI图片...
第四章：无感FOC的平滑启动艺术：告别“咔哒”声与抖动
无感FOC启动技术面临"先有位置还是先有旋转"的核心矛盾，导致常见故障包括位置失准、负载突变等。基础方案采用开环I/F控制，但存在重载启动困难等局限性。进阶方案结合IPD位置检测技术，通过脉冲电压注入法精准定位转子初始位置。关键技术在于开环到闭环的平滑切换，采用混合观测器设计和相位对齐技术。量产优化包括自适应参数整定和故障恢复机制，确保启动可靠性和一致性。该系统工程方案可有效解决启动抖动、异响等问题，提升用户体验。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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")
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
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。
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
1209
扫一扫
