VOSviewer 操作指南 简明

VOSviewer软件的基础与应用 VOSviewer是一款免费且专业的文献计量分析软件,也是一个知识图谱可视化工具,由荷兰莱顿大学开发,主要用于构建和查看文献计量知识图谱,基于文献的共引和共被引原理,具有可视化能力强、适合于大规模样本数据的特点,并支持标签视图、密度视图、聚类视图和分散视图四种视图浏览方式,可以帮助用户轻松绘制各个知识领域的科学图谱。2 学科分布图绘制参数选择与解读关键。3 共现网络图绘制参数选择与解读关键。6 时间线图绘制参数选择与解读关键。4 聚类图绘制参数选择与解读关键。5 突现图绘制参数选择与解读关键。 阅读详情
AI摘要

本文介绍如何使用VOSviewer软件从Web of Science数据库导入文献,创建并解读知识图谱。通过实例分析区块链研究热点,详细解析软件界面及功能,包括网络视图、覆盖视图和密度视图的含义。

VOSviewer 操作指南

Vosviewer 软件是一种知识图谱可视化软件,并且可以使用基本的分类聚类方法,帮助我们得到进一步的信息。

下载地址:

https://www.vosviewer.com/download

解压完成后,你得到因该是一个类似这样的目录:

双击快捷方式,即可运行软件,其中有一个PDF文件为使用手册,本文后边会做简单的介绍。

这个软件支持多种文献导入方式,我们这里以从web of science 到处的参考文献为例。

1.快速上手

1.1 导出需要的参考文献

 我们选择从web of science 数据库导出部分我们需要的文献信息,这个数据库可能需要校园网络才能使用。

例如,我想分析关于区块链的论文,那么直接再搜索栏中输入主题,然后检索,如下:

                           

再这个数据库上,我们一共检索到blockchain 相关的论文4913篇,时间跨度为1950-2020年,现在我们导出这些文献。

                                             

注意这些导出选项,导出的文件格式, 如上述的选择条目。

1.2 创建映射图谱

                                                   

选第三个选项,基于文本构建图谱,因为我们刚才从数据库导出的文件是文本文件。

                                                    

选第二个选项,基于数据库文件构建图谱,显示支持web of  science 数据库。

                                                   

选择我们的文件,得到结果,如下所示:

从图中我们就可以看到,关于blockchain主题的500篇论文,主要研究的热点词组。

2. 使用详解

2.1 面板分块解释

                                              

第一部分:

当前的可视化面板,可以放大缩小整个知识图谱。

第二部分:

选项面板,可以再这个面板中调整可视化面板中的信息。

第三部分:

信息面板,显示整个信息。

第四部分:

概述信息,一个宏观的缩略图。

第五部分:

操作面板,可以增删改查新的图,截取图谱,或者更新图。

2.2 各面板内容解释

2.2.1 第一部分显示面板

显示面板分为三个部分:网络视图,覆盖视图,密度视图。

网络视图:每一个圆圈的大小代表这个关键字的权重,两个圆圈之间的距离表示了两个圆圈之间的亲缘性,如果亲缘性越强则距离越短,亲缘性越弱则距离越远。圆圈的颜色代表了各自的簇类。

覆盖视图:覆盖视图与网络视图的图的结构是一样的,颜色有区别,所有关键字按照权重着色,并且给与参与者自己着色的方法。只有当设定了条目的属性和关键字相关时,覆盖视图才有用。

密度视图:显示的是项目密度,关键字周围的关键字数越大,则颜色越亮。

2.2.1 第二部分选项面板

Scale:各个项目之间链接的粗细。

Weight: 当项目有多个权重时,可以选择这个下拉框,选择相关的权重展示。

Scores: 只有在覆盖视图中,会根据实际的条目占比,对各项的颜色表示进行调整。

Size variation: 项目的表示大小与权重相关,越大表示权重越大。

max length: 项目的标签显示长度。

Font:下拉框可以显示的文字格式。

Lines: 连线部分

           Size Variation :两个标签之间的连线越粗,则表示两个标签之间的关系约紧密。

           Min、Max strength:最大,最小连接线的表示。

           Colored lines: 图示是否选用有颜色的线表示。

           Curved lines: 图示采用直线还是曲线连接。

 

 

 

 

 

Vosviewer的安装与使用 关于vosviewer我就不过多介绍了。vosviewer与citespace有什么区别? 阅读详情

相关推荐

VOSviewer文献可视化003:WOS数据获取【教程】

为了使用VOSviewer来进行可视化分析,我们首先需要得到一份被用作分析的目标数据,这是进行一切可视化分析的前提。以Web of Science数据库为例,获取数据的步骤有:……

qq_41725964的博客 4998

VOSviewer使用方法(详细便捷)附下载网址

文献聚类分析可视化分析——VOSviewer使用方法(详细便捷)附下载网址

qq_43654669的博客 7万+

VOSviewer,CiteSpace知识图谱

一、准备 1.数据准备 新建文件夹,包含四个子文件夹:input、output、data、project 在中国知网上检索相关主题的论文,选中,导出参考文献,格式为Refworks,导出,以download开头命名,保存在input文件夹中 2.数据转换 打开CiteSpace,Data-Import/Export,在CNKI中选择Input和output文件夹的位置,CNKI Format Conversion转换格式。将output文件夹的数据夫hi到Data文件夹中。 ..

qq_46458188的博客 1万+

关键词共现分析_文献整理可以用上的可视化分析软件

一、管理文献:文献管理软件——EndNote、Mendeley、Citavi、Refworks、Zotero、Papers、ReadCube、NoteExpress等二、看趋势:1 HistCite可快速绘制出某个研究领域的发展脉络,快速锁定某个研究方向的重要文献和学术大咖,还可以找到某些具有开创性成果的无指定关键词的论文。(缺点:引文数据只能来源于Web of Science的文献记录,只支持 ...

weixin_39952502的博客 5875

VOSviewer文献可视化004:创建可视化图谱

合作网络是科研人员之间因共同发表论文的关系而形成的一种社会网络,可以分析的单元分别有作者的合作网络分析(Authors)、机构的合作网络分析(Organizations)和国家/地区的合作网络分析(Countries)。引证网络是通过对文献之间的互相引用分析而建立的文献网络。【文献计量学分析原理】文献的共被引(Reference co-citation)是由亨利·斯莫尔与伊琳娜·玛莎科娃分别于1973年提出的,主要原理是通过两篇文献共同被引用的次数来测度文献之间的相似性。

qq_41725964的博客 5736

VOSviewer文献可视化002:软件初始界面介绍

点击视图右下角的图例可以设置算法,按照比例、平均值等设置。与聚类视图不同的是,用户可以根据自己的研究需要,通过map file文件中的score或颜色(红、绿、蓝)字段对节点赋予不同的颜色。(一个点的邻域内的项数越大,其邻域项的权值越高,则该点的颜色越接近黄色。)在密度视图中,图谱上的每一点都会根据该点周围元素的密度来填充颜色,密度越大,就越接近黄色;在该视图的可视化图形中,圆圈和标签组成一个元素,元素的大小取决于节点的度、连线的强度、被引量等,元素的颜色代表其所属的聚类,不同的聚类用不同的颜色来表示。

qq_41725964的博客 3880

VOSviewer进行中文和英文文献分析

笔记

sz1125218970的博客 1万+

文献计量VOSviewer分析知网文献基本操作及实用技巧

本教程旨在为读者提供一个关于VOS viewer的初级使用指南。VOS viewer是一个强大的科学研究可视化工具,主要用于构建和可视化科学地图。它能够处理大规模的科研数据,包括文献引用、共引、共词、共作者等信息。无论你是科研人员,还是数据分析师,甚至是研究生,都能在这个教程中找到使用VOS viewer的有效方法。我们将一步步教你如何使用这个软件,以及如何利用它进行科研数据的可视化。

Jia_n的博客 8768

文献可视化--vosviewer入门

VOSviewer是一个用于构建和可视化文献计量网络的软件工具。这些网络可以例如包括期刊,研究人员或个人出版物,并且它们可以基于引用,书目耦合,共同引用或共同作者关系来构建。VOSviewer还提供文本挖掘功能,可用于构建和可视化从科学文献中提取的重要术语的共现网络。 一、准备工作: 第一步:安装Java(Windows) 要运行VOSviewer,需要在系统上安装Java版本8或更高版本。 ...

前进的鹿的学习博客 5万+

VOSviewer说明书(中文版)

文献知识图谱创建开源工具说明书翻译版本

DataWorks数据安全治理最佳实践

DataWorks基于数据安全治理的常见思路,针对资产梳理、技术体系建设和运营体系建设,提供了一系列数据安全产品能力,您可通过“基础防护建设、数据安全防护措施及策略增强建设、数据安全持续运营”三个阶段在DataWorks上落地数据安全治理项目。参考本文启动数据安全治理项目前,建议您先了解DataWorks数据安全产品相关能力了解DataWorks数据安全产品能力后,您可参考如下三个阶段在DataWorks上落地数据安全治理项目。

soso1968的博客 1438

如何快速梳理领域文献--VOSviewer

**如何快速梳理领域文献--VOSviewer**一 、缘由二、VOSviewer的使用说明1, Web of Science2. 数据导出3. 数据导入4. 导入结果 一 、缘由 无论是学生还是老师,亦或者是科研人员,都需要阅读大量的文献来提升自己的知识储备量,那如何快速高效的筛选领域内的重要文献是一个十分重要的问题。如果能够快速筛选有用信息,将会使我们事半功倍。下面来介绍一个可视化的工具VO...

薰珞婷紫小亭子的博客 6247

手把手教你用STM32实现SPWM逆变器控制(附完整代码)

本文提供了一份基于STM32实现SPWM逆变器控制的完整实战指南。文章从硬件选型(如STM32F103C8T6、IR2104驱动器)入手,详细解析了利用定时器TIM1生成SPWM波形的核心原理与代码实现,并涵盖了驱动电路、全桥功率电路及LC滤波器的设计要点与调试技巧,旨在帮助读者从零构建一个可靠的单相全桥逆变器系统。

weixin_29208327的博客 591

VOSviewer分析知网文献

VOSviewer 是一款用于构建和可视化科学文献计量网络的软件工具。它能够帮助用户分析和可视化期刊、研究人员或单个出版物之间的关系,这些关系可以基于引用、共引、共著或术语共现关系来构建。VOSviewer 还提供了文本挖掘功能,可以用来构建和可视化从科学文献中提取的重要术语的共现网络VOSviewer 的核心功能之一是“共现聚类”,即两个事物同时出现代表它们之间是相关的。这种分析单元和聚类可视化效果,使得 VOSviewer 支持多种数据格式的导入和分析,例如文献数据库、通用网络数据及文本数据。

pengbr的博客 4380

智能车小白也能懂:手把手教你用LM358和工字电感搭建电磁循迹模块(附PCB设计避坑)

本文详细介绍了如何利用LM358运放和工字电感搭建智能车电磁循迹模块,从电感选型、电路设计到PCB布局和焊接调试,提供全流程实战指南。特别针对新手常见问题,如信号干扰、电路饱和等,给出具体解决方案和参数配置,帮助智能车比赛爱好者快速掌握电磁循迹技术。

weixin_30307921的博客 403

别再只看K线了!用Python自制筹码分布图,可视化Winner函数帮你判断支撑压力

本文详细介绍了如何用Python自制筹码分布图,通过数据清洗、算法实现和动态可视化,帮助投资者更准确地判断股票支撑压力位。文章重点讲解了Winner函数的应用,结合筹码分布与交易策略,提升交易决策的精准度。

weixin_42520796的博客 315

【Macos系统】安装VOSviewer及使用VOSviewer教程!!以ESN网络的研究进行案例分析

本文介绍如何安装和使用VOSviewer软件,并以ESN(Echo State Network)网络的研究为案例进行分析。利用VOSviewer对相关文献进行可视化分析,并深入了解ESN网络在学术研究中的应用和发展情况。VOSviewer是一款用于可视化科学文献、词汇和其他类型数据的开放源代码软件,可以帮助用户发现数据中的模式,并更好地理解其内在结构。

BetterBench的博客 8490

ic后端学习笔记-floorplan

floorplan是布图规划,规划包括定义芯片的大小,定义芯片内各种模块、hard macros(硬核。比如RAM,ROM及其他IP模块等)、IO等的大小和位置,有时候还需要提前定义一些placement blockages,groups/regions等等,是后端设计的第一步,也是后续所有P&R工作的基础。floorplan与placement的区别是。

tfrofc的博客 5831

VOSviewer初步学习

今天看到了colibactin的相关文献,想了解了解。在Pubmed上检索“colibactin”,得到近200篇文献,突然想可视化分析这些文献,看能否看到一些关键信息。百度看到了VOSviewer还不错,对新手比较友好,就决定是它了。 一、下载 下载网址:https://www.vosviewer.com/download 压缩包解压后,里面有.exe程序,直接运行即可。此外,还有英文说明书 二、上手 1.准备文献数据: 以“colibactin”为关键词,在Pubmed上检索:194条文献 导出数据:

fan_tanker的博客 9041

31.华为路由器:PPPOE配置模拟实验及NAT配置

实验环境 pppoe-client上面的接口信息 [AR1]dis ip interface brief *down: administratively down ^down: standby (l): loopback (s): spoofing The number of interface that is UP in Physical is 2 The number of interface that is DOWN in Physical is 1 The number of interface

迷逝 8118

零基础入门篇③ PyCharm使用指南(个性化设置、开发必备插件、常用快捷键)

Python从入门到精通👉零基础入门篇③

hacker707的博客 4375

VOSviewer安装及配置

VOSviewer安装网址: VOSviewer :: Download 根据自己电脑安装,并且VOSviewer要求JAVA 使用的是1.8.0,网址在此: https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html 打开下载好的exe文件 -》 点击下一步-》可以选择默认路径也可以按照到你指定的路径,看你有没有特殊嗜好了,我喜欢c 然后打开控制面板-》高级系统设置 ...

WuGuo12138的博客 8972

使用 MATLAB/Simulink + Simscape Electrical,构建一个含储能的微电网系统,实现储能系统与并网逆变器的协同控制

摘要:本文基于Simulink平台,详细介绍了微电网中储能系统与并网逆变器的协同控制建模与仿真方法。主要内容包括:1)构建包含光伏、风电、锂电池和双向DC-DC变换器的微电网系统;2)设计并网逆变器的PQ/Vf双模式控制策略;3)实现储能系统与逆变器的协同控制逻辑,包括SOC保护和功率分配;4)通过多种工况仿真验证系统性能。结果表明,该系统能有效维持微电网稳定运行,支持并网/离网无缝切换。文章还探讨了优化方向和应用扩展,为新能源微电网控制提供了实用参考。

xiaoheshang_123的博客 101

VOSviewer软件研究热点分析

本文转载自:https://www.jianshu.com/p/c1859e8e5937 VOSviewer是众多科学知识图谱软件之一,即通过“网络数据”(主要是文献知识单元)的关系构建和可视化分析,实现科学知识图谱的绘制,展现知识领域的结构、进化、合作等关系,其突出特点是图形展示能力强,适合大规模数据。 image 一、VOSviewer概况 (一)开发历程 VOSviewer是荷兰莱顿大学科技研究中心[1](The Centre for Science and Technology Studies, C

pptde的博客 1万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

从java环境配置到成功使用VOSviewer

科研笔记

sz1125218970的博客 4994

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: BLS# with Random Oracle ;BLS 改进方案在随机谕言机下 内容小结
下一篇: 使用VOSviewer 分析5年内 web of science 上 区块链相关4900篇论文
zmrlinux
博客等级 码龄12年 409粉丝 327原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值