python-thermodata 该存储库包含 Python 代码，用于与由 Bonnie J. McBride 和 Sanford Gordon 编写的 NASA Glenn 计算机程序 CEA（化学平衡与应用程序）一起分发的热力学数据库连接。 CEA 是一个 FORTRAN 程序，用于计算复杂的化学平衡成分和应用，。 其热力学数据库包含 2000 多种气态和凝聚态化学物质的数据。 数据表示为定义的温度区间内温度多项式函数的最小二乘系数。 这些系数是由另一个 NASA Glenn 程序 PAC（属性和系数）从广泛的源数据中生成的。 此代码旨在用作访问和表示具有一些基本功能的数据的 Python 原生方式，包括： 制表数据。 生成原始数据格式的子集，用于 CEA 或旨在从源读取的其他程序。 搜索/浏览功能。 请注意， 以更加用户友好的方式提供此功能。 但是，它不适合以编程方

在Ubuntu系统中，OpenNI2是一个用于与3D传感器（如Primesense的Kinect）交互的开源开发框架。它提供了编程接口，使得开发者能够轻松地创建应用来处理来自这些设备的数据，例如深度图像和彩色图像。OpenNI2支持多种编程语言，包括C++和Python，使得跨平台开发成为可能。 在Ubuntu上安装OpenNI2，首先需要确保系统已经更新到最新版本，可以通过运行以下命令完成： ```bash sudo apt-get update sudo apt-get upgrade ``` 接下来，因为OpenNI2不在Ubuntu的默认软件源中，我们需要添加第三方仓库。可以使用以下步骤添加Primesense的官方仓库： 1. 创建一个包含仓库公钥的文件： ```bash wget -qO- https://repository.primesense.org/debian/repo.key | sudo apt-key add - ``` 2. 创建一个新的`sources.list.d`文件并添加仓库信息： ```bash echo "deb http://repository.primesense.org/debian wheezy main" | sudo tee /etc/apt/sources.list.d/primesense.list ``` 请注意，这里的`wheezy`是针对旧版本的Ubuntu，如果使用的是新版本，请将它替换为对应版本的代号，如`bionic`或`focal`。 3. 更新软件源列表： ```bash sudo apt-get update ``` 4. 安装OpenNI2及相关依赖： ```bash sudo apt-get install openni2 openni2-primesense ``` 安装完成后，你可以通过运行示例程序来测试OpenNI2是否正确安装。例如，你可以尝试`NiViewer`，这是一个简单的可视化工具，可以显示来自OpenNI2设备的深度和彩色图像： ```bash sudo apt-get install openni2-tools openni2-launch ``` 如果一切正常，你应该能看到一个显示来自Kinect的实时深度图和彩色图像的窗口。 开发过程中，OpenNI2提供了一些关键的API概念，如`Context`、`Node`、`Generator`和`Sensor`。`Context`是所有OpenNI2操作的基础，它负责管理设备和数据流。`Node`代表了OpenNI2中的任何实体，而`Generator`是能够生成数据的节点，如深度和色彩图像。`Sensor`是连接到特定物理传感器的抽象层。 要编写自己的OpenNI2应用，你需要包含必要的头文件，并使用OpenNI2的API来初始化上下文、查找和连接设备、创建数据流等。以下是一个简单的C++示例，展示了如何初始化OpenNI2并打开一个设备： ```cpp #include int main() { openni::Status rc = openni::OpenNI::initialize(); if (rc != openni::STATUS_OK) { printf("Initialize failed\n%s\n", openni::OpenNI::getExtendedError()); return 1; } openni::Device device; rc = device.open(openni::ANY_DEVICE); if (rc != openni::STATUS_OK) { printf("Device open failed\n%s\n", openni::OpenNI::getExtendedError()); return 1; } // 之后可以进行更多配置和数据读取操作 device.close(); openni::OpenNI::shutdown(); return 0; } ``` 在实际应用中，你可能还需要处理错误、选择特定的传感器、设置帧率、注册回调函数来处理数据等。 OpenNI2为开发者提供了一个强大且灵活的框架，用于在Ubuntu上与3D传感器进行交互，它简化了设备的连接、数据获取和处理流程，促进了各种应用的开发，如机器人导航、3D建模和手势识别。

三相三电平Vienna整流器调制技术及其控制的综合仿真研究：基于SPWM与SVPWM的中点电压平衡与功率因数控制分析,三相三电平Vienna整流器调制技术及控制策略的仿真研究——基于Plecs平台的SPWM与SVPWM对比分析,三相三电平vienna整流器SPWM和SVPWM调制仿真 基于plecs搭建 双PI控制 锁相环控制 中点电压平衡控制 功率因数为1 载波比较方式产生调制波 function搭 70yuan SPWM和SVPWM调制对比 谐波畸变率对比分析 电压利用率对比分析 电压平衡和不平衡控制对比 图1 仿真模型 图2 交流电压 电流 图3 直流侧电压 图4 不加平衡控制的上下电容电压 图5 加平衡控制的上下电容电压 ,三相三电平Vienna整流器; SPWM; SVPWM调制; PLECS搭建; 双PI控制; 锁相环控制; 中点电压平衡控制; 载波比较方式; 功率因数1; 调制波; 谐波畸变率对比; 电压利用率对比; 电压平衡与不平衡控制对比; 仿真模型图; 交流电压电流图; 直流侧电压图; 上下电容电压图。,三相三电平Vienna整流器：SPWM与SVP

基于FPGA的图像中值滤波算法实现与效果对比——以Verilog编程和Lenna图像为例,基于FPGA的Verilog中值滤波算法实现与MATLAB验证报告——以Lenna图像为例，效果对比展示,基于FPGA的图像中值滤波算法实现。 在vivado上用verilog实现。 仿真模型用lenna典型图像，500×500分辨率。 包含matlab验证程序。 图三显示了FPGA实现的滤波效果和matlab滤波效果的对比。 ,基于FPGA的图像中值滤波算法实现; Verilog实现; Lenna典型图像; 500x500分辨率; Matlab验证程序; 滤波效果对比。,基于FPGA的Verilog中值滤波算法实现：Lenna图像500x500分辨率对比验证

微带天线设计手册

一种基于三电平转两电平的简化SVPWM算法，适用于VIENNA电路，波形良好

基于电压电流双闭环的vienna整流器的仿真(SVPWM调制) 一种基于电压电流双闭环的Vienna整流器的仿真方法，其中使用了SVPWM调制技术。 涉及的 1. 电力电子学：Vienna整流器是电力电子学中的一种电源转换器，用于将交流电转换为直流电。 2. 控制系统：电压电流双闭环是一种控制系统结构，用于实现对电压和电流的精确控制。 3. SVPWM调制：SVPWM（Space Vector Pulse Width Modulation）是一种用于控制三相逆变器的调制技术，通过调整脉冲宽度来实现对输出电压的控制。 Vienna整流器是一种常用于工业和电力应用中的电源转换器。它的主要功能是将交流电转换为直流电，并通过电压电流双闭环控制系统来实现对输出电压和电流的精确控制。Vienna整流器的设计和仿真需要涉及电力电子学、控制系统和调制技术等多个领域的知识。 在Vienna整流器的仿真中，SVPWM调制技术被广泛应用。SVPWM是一种基于三相逆变器的调制技术，通过调整脉冲宽度来控制输出电压的大小和形状。它可以提供高质量的输出波形，并具有较低的谐波失真和较高的功率因数。 了解电

离散数学及其应用（原书第8版） (Kenneth H.Rosen) 奇数题目答案

matlab最简单的代码 HandwrittenNumeralRecognition_ANN_CUDA Handwritten numeral recognition project using BP ANN with CPU & GPU (CUDA). 公告板 matlab下面的数据文件我导成字符型文件了50M左右4个文件，存在46/Tmp/CUDA_ANN_DATA下，要用先同步一下。 第一次文件X.dat文件出问题了，中间貌似有错数据。我这边又生成了，晚上过去传46。 正确文件生成方法如下： f=fopen('X2.dat','w'); for i = 1:5000 for j= 1:400 fprintf(f,'%f ',X(i,j)); end end map函数加了索引参数。用法如下： Matrix _X2(new float[X.row*(1 + X.col)], X.row, X.col + 1); Matrix X2 = _X2.map([&](float, int row, int col){ return col>0 ?

OpenNMT 是一个由 Harvard NLP (哈佛大学自然语言处理研究组) 开源的 Torch 神经网络机器翻译系统。OpenNMT 系统设计简单易用，易于扩展，同时保持效率和最先进的翻译精确度。特性：简单的通用接口，只需要源/目标文件。快速高性能GPU训练和内存优化。提高翻译性能的最新的研究成果。可配对多种语言的预训练模型（即将推出）。允许其他序列生成任务的拓展，如汇总和图文生成。快速开始：OpenNMT 包含三个命令1) 数据预处理th preprocess.lua -train_src data/src-train.txt -train_tgt data/tgt-train.txt -valid_src data/src-val.txt -valid_tgt data/tgt-val.txt -save_data data/demo2) 模型训练th train.lua -data data/demo-train.t7 -save_model model3) 语句翻译th translate.lua -model model_final.t7 -src data/src-test.txt -output pred.txt 标签：OpenNMT