ABAQUS离散元脚本

GR4J hydrological model

python实现的scan算法 Paper: 《SCAN: A Structural Clustering Algorithm for Networks》 Auther: Xiaowei Xu, Nurcan Yuruk, Zhidan Feng, Thomas A. J. Schweiger Conference: SIGKDD 2007

说明：  中文版第15页第一段提到的接口例子程序的学习代码(The learning code of the interface example program mentioned in the first paragraph of page 15 of the Chinese version)

深度学习入门书籍；本书?个坚定的信念，是让读者更好地去深刻理解神经?络和深度学习，而不是像?张冗?的洗?单?样模糊地列出?堆想法。如果你很好理解了核?理念，你就可以很快地理解其他新的推论。(Introductory Books for Deep Learning)

使用CNN进行一维卷积，对数据进行预测估计(Using CNN to carry out one dimensional convolution to predict the data)

需要python3.6或更高版本，需要图灵机器人api与itchat库，图灵机器人官网地址为http://www.tuling123.com/，每个免费的api每天可以自动回复5000条信息。itchat库可以通过pip命令安装。

利用numpy库实现激光器领域的时域行波模型。该模型输出激光器信号，频谱等。(The time-domain traveling wave model in laser field is realized by using numpy library. The model outputs laser signals, spectrum and so on.)

一个Python实现的canopy算法，可以进行聚类，支持欧氏距离，余弦距离，文件对输入数据进行了处理，下载后可以自己通过更改一部分读数据代码把数据换成自己的数据

ocr,一个深度学习的ocr开源代码，非常不错的ocr。(ocr, this is a great ocr open source code by Python. Very nice project.)

主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析。是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。(Principal component analysis (Principal Component Analysis, PCA) or PCA. Is a statistical method to grasp the principal contradiction of things, it can be resolved diverse things out the main factors, revealing the essence of things, simplifying complex problems. The purpose of calculating the main component of high-dimensional data is projected to a lower dimensional space. Given n variables of m observations, forming an n ' m of the data matrix, n is usually large. For a complex matters described by several variables, it is difficult to know, so if you can grab something to focus on key aspects of analysis? If the main aspects of things just reflected on several key variables, we only need to separate out these few variables, for detailed analysis. However, in general, does not directly identify this critical variables. Then we can represent the major aspects of things with a linear combination of the original variables, PCA is one such analysis.)