子神经网络 NeurIPS 2020论文存储库： 作者： ， ，， 要使用SubGNN，请执行以下操作： 安装环境 准备数据 在config.py修改PROJECT_ROOT 修改适当的config.json文件 训练和评估SubGNN 安装环境 我们提供了一个yml文件，其中包含SubGNN的必要软件包。 一旦安装了 ，就可以创建如下环境： conda env create --file SubGNN.yml 准备数据 通过（1）下载我们提供的数据集或按照prepare_dataset文件夹README中的步骤来为SubGNN准备数据，（2）生成合成数据集或（3）格式化您自己的数据。 真实数据集：我们将发布四个新的真实数据集：HPO-NEURO，HPO-METAB，PPI-BP和EM-USER。 您可以 从Dropbox下载这些文件。 您应该解压缩文件夹并将config.py的P

ZNAdbSettings_1.0 APP是一款用于在电视、电视盒子等定制安卓系统上开启ADB调试模式的工具应用，即使系统原本封锁了ADB的开启途径，也能通过该应用实现开启操作。以下是具体介绍： - **功能特点**：操作简单便捷，用户打开ZNAdbSettings APP后，界面中会显示“打开adb调试模式”选项，勾选前方的方框，ADB即可开启，无需额外复杂设置，勾选后立即生效。 - **使用方法**：首先需将“ZNAdbSettings.apk”拷贝到U盘，然后将U盘插入电视或电视盒子，通过设备的文件管理功能找到APK并安装。或者若设备能联网，也可直接在当贝桌面的“应用市场”搜索下载。安装完成后，打开该应用，勾选“打开adb调试模式”选项就能开启ADB。 - **应用场景**：常用于电视或电视盒子等设备的系统优化场景。例如，在炫影轻云盒SY900Pro（电信版）中，用户可通过该应用开启ADB，之后利用ADB工具冻结如原生IPTV桌面、开机向导、在线升级等冗余应用，还可将原生IPTV桌面替换为当贝桌面，实现“普通电视盒”功能。 - **搭配工具**：开启ADB后，可搭配手机端的“甲壳虫ADB助手”或PC端的“开心电视助手”使用。手机端需确保与盒子连接同一WiFi，按APP提示搜索设备并连接；PC端则需在“设备连接”中输入盒子的IP地址（可在当贝桌面“设置-网络”中查看）进行连接，连接后可进行应用管理等操作。

[对于0.665版] CJ（ ） 华南农业大学 概述 高通量测序（HTS）技术的快速发展已将生物学带入了“大数据”时代。 对于大多数湿实验室生物学家来说，依靠各种生物信息学软件或依赖于编程和命令行环境的管道进行数据分析既困难又费时。 首选具有用户友好界面的生物信息学工具以节省时间。 因此，我们提出了TBtools（一个集成了各种生物数据处理工具的生物学家工具包） ，这是一个具有用户友好界面的独立软件。 它具有强大的数据处理引擎，可用于批量序列处理和交互式数据可视化。 它包含大量功能，可简化生物学数据的许多简单，常规但复杂的工作，例如批量序列提取，基因集富集分析，维恩图制备，热图图示，比较序列可视化等。 TBtools功能一览 下载及安装 TBtools是独立于平台的软件，可以在具有Java Runtime Environment 1.6或更高版本的所有操作系统下运行。 非商业用户可

在IT领域，特别是自然语言处理（NLP）中，BERT（Bidirectional Encoder Representations from Transformers）是一种革命性的预训练模型，由Google在2018年提出。它通过深度学习技术，利用Transformer架构实现了对文本的上下文感知的语义理解。本项目“Contextual-Embeddings-using-BERT-Pytorch--main”显然是一个使用PyTorch框架实现BERT的示例，重点在于如何在实际应用中获取并使用BERT的上下文嵌入。 让我们深入了解BERT的核心概念。BERT模型设计的目标是捕捉到词语在句子中的前后关系，即双向上下文信息。传统的词嵌入如Word2Vec或GloVe只能提供单向信息，而BERT则通过掩码语言模型（Masked Language Model, MLM）和下一句预测任务（Next Sentence Prediction, NSP）两个预训练任务，使得模型能够理解词语的全面语境。 在PyTorch中实现BERT，通常需要以下步骤： 1. **环境准备**：安装必要的库，如`transformers`，它是Hugging Face提供的库，包含了多种预训练模型，包括BERT。同时，可能还需要`torch`和`torchvision`等库。 2. **加载预训练模型**：使用`transformers`库中的`BertModel`类加载预训练的BERT模型。你可以选择不同的版本，如`bert-base-chinese`用于中文任务。 3. **构建输入**：BERT模型需要的输入包括Token IDs、Segment IDs和Attention Masks。Token IDs将文本转换为模型可以理解的数字序列，Segment IDs区分不同句子，Attention Masks则用于指示哪些位置是填充的（不可见）。 4. **前向传播**：将输入传递给模型，模型会返回每一层的隐藏状态。对于上下文嵌入，通常关注的是最后一层的输出，因为它包含最丰富的语言信息。 5. **获取嵌入**：从模型的输出中提取特定位置的嵌入，这些嵌入可以用于下游任务，如分类、问答或句对匹配。 6. **微调**：如果目标任务与预训练任务不同，需要在加载预训练权重的基础上进行微调。这通常涉及在附加的分类层上进行反向传播。 7. **Jupyter Notebook**：由于标签提到了“Jupyter Notebook”，我们可以假设这个项目是通过交互式笔记本进行的，这便于代码实验、数据可视化和结果解释。 在这个项目中，开发者可能已经实现了以上步骤，并提供了运行示例，让你可以直接在自己的环境中运行BERT，获取上下文嵌入。这可能是对某个具体NLP任务的演示，如文本分类或情感分析。通过阅读和运行这个项目，你可以更深入地理解如何在实践中应用BERT，以及如何利用上下文嵌入来提升模型的表现。

物联网（Internet of Things, IoT）已经成为现代社会中一个重要的技术领域，它通过各种信息传感器、射频识别技术、全球定位系统、红外感应器等装置与技术，实现对物品的智能化识别、定位、跟踪、监控和管理。Thingsboard是一个开源物联网平台，它能够帮助用户收集、处理、可视化各种设备数据，并且可以轻松集成到现有的业务流程和应用程序中。Thingsboard平台支持广泛的物联网协议，并提供了一个灵活的数据模型，用户可以根据自己的需求自定义设备类型和数据属性。 Thingsboard的架构设计是为了处理大量设备连接和数据流而优化的，它使用了微服务架构模式，这意味着它将应用分割成一套较小的服务，每一个服务都围绕特定的业务功能，这些服务可以独立地部署、扩展和更新。这样的设计使得Thingsboard非常适应于云端部署，并能够提供高可用性和水平扩展的能力。 在物联网应用中，Thingsboard平台的主要特点包括： 1. 设备管理：Thingsboard提供了设备的注册、分组、配置以及监控等功能，可以支持各种类型的设备。 2. 数据收集与处理：平台支持MQTT、CoAP、HTTP等物联网通信协议，能够实时收集和处理设备发送的数据。 3. 数据可视化：Thingsboard提供了丰富的数据可视化工具，包括图表、地图、仪表盘等，方便用户对数据进行分析和展示。 4. 规则引擎：用户可以使用规则引擎来创建各种数据处理规则，实现数据的聚合、转换和过滤。 5. 集成与扩展：Thingsboard支持与其他系统和服务的集成，如消息队列（例如Kafka）、数据库（例如Cassandra、MySQL）以及各种外部API。 6. 通知与报警：平台可以配置基于数据触发的报警和通知机制，当设备数据异常或达到特定条件时，系统可以发送通知到用户。 本压缩包中包含的“简介.txt”文件可能提供了关于物联网Thingsboard平台的基本介绍和应用概述；“物联网_Thingsboard_平台_应用”文件可能包含实际的使用案例、操作步骤或配置指南；而“China_thingsboard-master”文件夹则可能包含了Thingsboard平台的源代码或是相关的开发资源，对于开发者来说，这是理解和扩展平台功能的重要部分。

Modelica-BuildingSystems BuildingSystems库的网站

Modelica建筑图书馆 这是Modelica Buildings库及其用户指南的开发站点。 可以从主要项目站点（ 获得包括所有以前版本的稳定版本。 上提供了有关开发人员的说明。 资料库描述 Modelica Buildings库是一个免费的开源库，其中包含用于建筑物能源和控制系统的动态仿真模型。 该库包含用于 空气基HVAC系统， 水基加热系统 控制， 房间与外界之间的热传递， 多区域气流，包括自然通风和污染物输送，以及 电气系统。 主要项目站点为 。 当前版本 下载 执照 根据3条款的BSD许可，可以获得Modelica Buildings Library。 请参阅。 Python模块可通过3条款BSD许可获得。 请参阅。 发展与贡献 您可以使用“按钮报告任何问题。 始终欢迎以的形式进行贡献。 在发出拉取请求之前，请确保您的代码遵循。 构建二进制文件 的发行版包含所

NGSIM-I-80汽车轨迹数据集 简介:本仓库提供NGSIM US-101公开数据集中的车辆轨迹数据集，该数据集包含了在I-80高速公路上的车辆轨迹信息。数据均以.txt格式存储，方便用户进行进一步的分析和处理，每行数据包含车辆的轨迹信息，具体格式如下： 车辆ID 时间戳 位置坐标（X, Y） 速度 加速度 其他相关信息 NGSIM-I-80汽车轨迹数据集是一个公开的车辆轨迹数据集，主要用于研究和分析车辆在I-80高速公路的行驶行为和模式。I-80高速公路是美国的一条重要交通干线，横贯东西，连接多个州，因此该数据集为研究不同交通条件下的车辆动态提供了丰富的信息资源。数据集中的每条轨迹记录包含了车辆ID、时间戳、位置坐标（X, Y）、速度、加速度以及其他相关信息。这些信息以.txt格式存储，方便用户进行进一步的分析和处理。 车辆ID是车辆的唯一标识，用于区分不同的车辆。时间戳则记录了车辆行驶过程中的某一瞬间，结合位置坐标可以精确地分析出车辆在特定时刻的位置。位置坐标以X和Y的二维坐标形式给出，可以用来绘制车辆的行驶轨迹图。速度和加速度提供了车辆行驶的动态信息，速度表明了车辆在单位时间内行驶的距离，而加速度则表示速度变化的快慢，两者对于理解车辆的运动状态至关重要。 除了基本的车辆动态信息，数据集中还包含了其他相关信息。虽然这部分的具体内容没有在给定的文件信息中明示，但它们可能涉及天气条件、交通流量、道路类型、车辆类型等多种因素，这些因素都会对车辆的行驶行为产生影响。通过深入研究这些附加信息，研究人员可以更全面地了解影响交通流的各种因素。 该数据集可用于多种交通工程和交通安全研究，比如车辆行驶行为分析、交通流建模、事故分析和预防、智能交通系统的设计与优化等。同时，由于数据集提供了车辆位置、速度、加速度等动态特征，研究人员还可以使用这些数据进行交通状态预测、拥堵模式识别、甚至是微观交通仿真模型的校验。 此外，NGSIM-I-80汽车轨迹数据集还为机器学习和人工智能领域的研究提供了实验材料，因为其详细记录了车辆的动态信息，可以作为训练数据来训练和测试各种算法模型，用以实现车辆行为预测、自动驾驶车辆的轨迹规划等先进功能。 NGSIM-I-80汽车轨迹数据集是一个宝贵的资源，它不仅为学术研究提供了真实、详细的数据支持，也为智能交通和自动驾驶技术的发展提供了实验平台。通过这些数据，可以促进交通安全、提高道路通行效率，并推动相关技术的创新和应用。

eDrawings Pro 10.6 for Creo1.0-4.0是一款可以兼容Creo1.0、2.0、3.0、4.0版本使用的专门的模块工具，允许浏览模型和图纸，建立不同的CAD，保持他们的紧凑型可执行文件的形式发送电子邮件，以及他们的贡献在不同类型的集体工作时统一标注的文件，由于嵌入式课程浏览、模型和图纸，保存的格式eDrawings打开，可以在任何计算机上没有任何安装额外的软件，欢迎有需要

基于NGSIM数据集（i-80和US101高速公路）的驾驶风格特征提取与高斯聚类分析方法。首先，通过对原始数据进行预处理，包括数据清洗、去除异常数据（如幽灵车辆）以及应用对称指数移动平均滤波算法（sEMA），确保数据的质量。接着，制定了详细的换道工况下的驾驶风格特征表，提取了三个关键特征：方向盘熵值、加速度方差和车道入侵指数，并进行了特征相关性分析。然后，利用高斯混合模型（GMM）进行聚类分析，得到了三种不同的驾驶风格类别：佛系组、战斗组和普通组。此外，还展示了代码的扩展性，可以通过简单的修改支持其他聚类算法，如SVM和K-means。实验结果显示，高斯聚类的效果优于其他方法，证明了所提方法的有效性和鲁棒性。 适合人群：交通工程研究人员、自动驾驶算法开发者、数据分析专家。 使用场景及目标：适用于需要从大规模交通数据集中提取驾驶风格特征并进行分类的研究项目。主要目标是识别不同驾驶风格的特点，为交通安全分析、智能交通系统优化提供依据。 其他说明：文中提供了具体的代码实现细节，便于读者复现实验结果。同时，强调了数据预处理和特征选择的重要性，指出这些步骤对于提高聚类效果的关键作用。