- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子化学
基态-激发态电子密度差等值面绘制
基态-激发态电子密度差可以比较直观地展示体系激发后电子的流向，分析体系的电子激发属性。关于电子密度，可以参看《从密度矩阵产生自然轨道-理论篇》一文。 同时使用了out=wfn，可以生成激发态的波函数信息，用于后续Multiwfn分析。若只用GaussView分析，则不需要此关键词。 一、用GaussView绘制等值面 1. Type中选择Total Density，Density Matrix中选择SCF，即可生成基态电子密度的cube文件。 3. 可修改一下顺序，使第一个为激发态电子密度，第二个为基态电子密度。不改也无妨，结果相差负号而已。 5. ,基态wfn文件的路径，其中减号表示求两个电子密度之差；选择1，计算电子密度；选择3，高质量格点；选择-1，即可显示等值面： ?
3.1K40发布于 2021-05-11 - 来自专栏气象杂货铺
绘图系列(3):绘制密度图
但是当数据量大且分布比较集中的时候就没那么容易确定数据的分布了，这时候可以通过绘制密度或是热力图直观获取数据分布情况。 python中的 matplotlib 库中提供了 hexbin 函数绘制密度图，但是我还是更喜欢 R 语言中绘制密度图的方式，比如自带的 smoothScatter 函数以及 ggplot2 中的 geom_bin2d 上述函数利用核密度估计生成用颜色密度来表示点分布的散点图。
1.5K30发布于 2020-04-21 - 来自专栏模拟计算
第一性原理态密度计算的意义和用途-测试GO
第一性原理态密度分析的意义和用途在探索材料微观世界时，态密度（Density of States, DOS）犹如一把精密的电子扫描器，揭示电子在材料中能量分布的关键密码。 一、态密度分析的意义DOS 描述了材料中电子态在能量上的密集程度，即单位能量区间内可被电子占据的量子态数量。 二、态密度分析能获取的关键数据总体态密度（Total DOS, TDOS）：含义： 材料中所有电子态在能量上的总分布。核心信息：费米能级位置： 标志绝对零度下电子占据的最高能级。 核心信息：原子/轨道对电子态的贡献： 明确不同原子或不同轨道类型（如 Fe 的 3d 轨道，O 的 2p 轨道）在特定能量区间的电子态贡献大小。 第一性原理态密度分析通过计算并解读总态密度（TDOS）、投影态密度（PDOS）、局域态密度（LDOS）等关键数据，我们能精准定位材料的费米能级、精确计算带隙、深入解析复杂化学成键、揭示磁性微观机制、识别潜在的反应活性位点
64710编辑于 2025-07-24 - 来自专栏有价值炮灰
Android 用户态启动流程分析
init init 是用户态的第一个进程，由 Linux 内核启动，进程号为1。 second_stage 第二阶段的 init 进程，就是我们在 Android 用户态中见到的真正程序。 除了属性服务，init 中另外一个重要的功能就是对 initrc 的处理，毕竟作为用户态的第一个进程，其肩负了启动其他进程和服务的使命。 参考链接 Android 操作系统架构 Android HAL 与 HIDL 开发笔记 Android进程间通信与逆向分析 从STM32L4看ARM裸板的启动过程
1.4K40编辑于 2023-02-12 - 来自专栏量子化学
分析激发态的跃迁类型
ππ*态和nπ*态。 根据激发前后电子密度分布的变化情况又可分为局域激发(local excitation, LE)和电荷转移(charge transfer, CT)激发，顾名思义，前者电子密度在局部范围内变化，后者电子密度的分布区域发生了显著的变化 ，对每个激发态，会给出最大的几个轨道跃迁系数，利用这些系数可以得到相应的轨道跃迁对该激发态的贡献。 之后做TD(nstates=50)激发态计算。以下我们分析S1和S2两个态。 很多时候仅用一对轨道的跃迁无法很好地描述激发态，此时可以使用自然跃迁轨道来进行分析，我们后面进行介绍。
8.2K31发布于 2021-01-28 - 来自专栏用户画像
hibernate中对象的3种状态 瞬时态、持久态、脱管态
Hibernate的对象有3种状态，分别为：瞬时态(Transient)、 持久态(Persistent)、脱管态(Detached)。 处于持久态的对象也称为PO(Persistence Object)，瞬时对象和脱管对象也称为VO（Value Object）。 持久态 处于该状态的对象在数据库中具有对应的记录，并拥有一个持久化标识。 托管态 当与某持久对象关联的session被关闭后，该持久对象转变为脱管对象。当脱管对象被重新关联到session上时，并再次转变成持久对象。
95820发布于 2018-08-27 内容复习----visium分析hotspot与空间密度图
作者，Evil Genius今天我们来画一画空间密度图吧。不同条件的基因/细胞密度分布图一目了然可以看出疾病带来的影响。 for each location cont = 1 for case, label in [(hexamer, 1), (extended, 2), (greater, 3) bc_inner][cont] = label cont +=1 # Hspot -> 0; dist100 -->1; dist200 -->2; dist300 --> 3; code']) annotation['annotation'] = annotation.code.replace({0:'Hspot', 1:'dist100', 2:'dist200', 3: pd.Categorical(data.annotation)画图非常简单fig, axs = plt.subplots(2, 1, figsize=(15, 8))fig.subplots_adjust(hspace=.3,
33020编辑于 2025-04-08- 来自专栏EpiHub
R语言偏态分布的回归分析
偏态分布的回归分析 回归是我们经常遇到的模型，但是回归会根据Y因变量的类型，分成分类问题（Y是分类变量，如生存或死亡）与回归问题（Y是连续性变量，如身高体重）。 image.png 当然，我们遇到偏态分布时候，一般有两种处理方式。 通过将偏态数据进行log变换，转成正态分布进行回归。 直接使用 family=Gamma 指定Gamma分布。 fit <- glm(F~x1+x2+x3,data=mydata,family=binomial()) summary(fit) # display results confint(fit) # "deviance") # residuals 2.Poisson Regression # Poisson Regression # where count is a count and x1-x3 results 3.Gaussian Regression # Gaussian Regression # where count is a count and x1-x3 are continuous
1.7K10编辑于 2022-11-03 - 来自专栏山河已无恙
如何使用 BPF 分析 Linux 内存泄漏，Linux 性能调优之 BPF 分析内核态、用户态内存泄漏
写在前面 博文内容为 通过 BCC 工具集 memleak 进行内存泄漏分析的简单认知 包括 memleak 脚本简单认知，内核态（内核模块）、用户态（Java,Python,C）内存跟踪泄漏分析 Demo ，下面的 Demo使用的最新版本的工具，实际上如果有特殊需求，可以定制化开发，感兴趣小伙伴可以尝试，欢迎留言讨论 内核态内存泄漏分析 这里我们通过一个内核模块来模拟内存泄漏的问题，memory_leak 用户态内存泄漏分析 java 内存泄漏分析 堆外内存 使用的 JDK 版本 [developer@developer ~]$ java --show-version openjdk 17.0.13 2024 ， tracemalloc 是 Python 标准库中的内存追踪调试工具，用于监控和分析 Python 程序的内存分配行为 C 内存泄漏分析 前面我们简单分析了这个 BCC 脚本，可以看到实际上他直接对内核库的一些用户态和内核态的内存分配函数进行埋点跟踪 关于 BCC 工具 memleak 进行内存泄漏分析和小伙伴分析到这里，上面都是一些 Demo，只是为了展示工具如何使用，实际的分析要结合调用栈复杂的多。
55800编辑于 2025-06-09 - 来自专栏黑光技术
【译】如何使用 eBPF 检测分析用户态程序
这篇文章较好的介绍使用 eBPF 对几种语言开发的应用程序进行可观测分析。介绍的也比较详细，对这块有兴趣的同学可以深入学习。 USDT 跟踪工具检查 ELF 段，并在被转为 int3 中断的跟踪点位置上放置一个断点。 在简单的理论介绍之后，我们来看一些具体的例子，看看如何用跟踪分析不同的语言的应用程序。 .text 0000000000000328 Base raxRandomWalk 0000000000096a00 g DF .text 00000000000000c3 让我们分析一下实际的 uprobe 程序。 在必需的 include 语句之后，有宏的定义，该宏通过偏移量处理的方式负责从堆栈中获取参数。
1.8K20编辑于 2022-11-29 - 来自专栏测试开发干货
接口测试平台代码实现107:登录态接口-3
='' : 这里再次感谢 欢迎其他小伙伴踊跃提出bug，这可是出名的好机会呀～ 本节我们加快速度和内容，继续讲登陆态接口部分。 在我们开发script部分之前，我们需要先去数据层，去构建出这个登陆态的表，然后通过views.py把相关数据带给前端html，然后才能去html中完善script部分。 打开models.py，增加下列类： 这就是我们的项目登陆态接口记录表。 html中，也就是P_apis.html中： 找到这个login_show 函数： 然后我们去url.py中加入这个获取链接： 最后去views.py中搞定这个函数： 我们重启服务，刷新页面，打开登陆态接口发现没报错 我们现在可以去后台，记住自己的项目id，在后台新建一个符合的项目登陆态接口记录： 然后我们再试试看： 如上图，打开登陆态设置页面的时候，就可以看到consoloe.log中输出的内容。
64230编辑于 2022-05-19 - 来自专栏钱塘小甲子的博客
Python金融大数据分析-正态性检验
1.话题引入 我们在线性回归做假设检验，在时间序列分析做自回归检验，那么我们如何检验一个分布是否是正态分布的呢？ 首先，我们定义一个用来生成价格路径的函数。 2.正态性检验 我们知道，其实价格服从的是lognormal分布，而每天的收益率是服从正态分布呢，所以，首先我们根据上面的仿真数据来获得每天的收益率数据。 ',sta[1][1]) print "%14s %15.5f" % ('mean',sta[2]) print "%14s %15.5f" % ('std',np.sqrt(sta[3] 所以，写个函数来分析： def normality_test(arr): print "Skew of dataset %14.3f" % scs.skew(arr) print "Skew
1.8K10发布于 2019-01-28 - 来自专栏用户3288143的专栏
【数据分析与可视化】直方图和密度图
# 理解取值范围分布直方图 a = np.arange(10) a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) # 0-2之间有一个，依次如此 plt.hist(a, rwidth # 理解Series的数据，直方图tuple数据类型 re = plt.hist(s, rwidth=0.9) len(re) 3 ? ., 3., 1.]), array([-3.09294876, -2.77661892, -2.46028907, -2.14395923, -1.82762939, -1.51129955 密度图 s.plot(kind='kde') ? <matplotlib.axes._subplots.AxesSubplot at 0x1a260c38d0>
76720发布于 2020-07-07 - 来自专栏Linux内核
用户态vdpa设备vduse简介及结合QEMU源码分析
术语vduse: VDUSE（vDPA Device in Userspace） 用户态vdpa设备VDUSE 简介：virtio 软件定义的数据路径2022 年 7 月 14 日 谢永吉, 王杰森标签 图 3：通过 VDUSE 提供虚拟机工作负载在这种情况下，虚拟主机 (vhost) 设备由 vhost-vDPA 总线驱动程序提供，因此它可以用作在 VM 内运行的 virtio 驱动程序的 vhost >domain->iotlb, info.start, info.last).compat_ioctl= compat_ptr_ioctl,.llseek= noop_llseek,};QEMU侧源码分析 /scripts/rpc.py vduse_create_blk_controller vduse0 null0 -n 3 -s 1024$. dillanzhou/article/details/121689985SPDK VDUSE: https://review.spdk.io/gerrit/plugins/gitiles/spdk/spdk/+/3ab3bf7d382e8137fc1b25b4cb69ce7d1d9ffa92
1.2K10编辑于 2024-07-16 - 来自专栏思影科技
静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法
在本文中，我们详细介绍了静息态功能磁共振成像的概念，然后讨论了三种最广泛使用的分析方法、描述了几种具有脑区特征的静息态网络及相关认知功能、静息态功能磁共振成像的临床应用。 图3为从ICA melodic得到的静息态网络，如语言、听觉和默认模式网络(a、b、c)。 图3 用 ICA 对静息态功能磁共振成像进行分析，得到了语言网络(a)、听觉网络(b)和默认模式网络(c）。 为了克服单被试ICA的缺点，采用双回归方法进行组水平ICA分析。 在双回归分析中，回归技术用于分析一组受试者的rs-fMRI数据。双回归包括3个阶段。在初始阶段，使用ICA分解一组被试多个fMRI数据，以识别每个受试者不同的FC模式。 在第3个阶段，为不同的受试者生成不同的成分图，并被编辑成一个四维文件来执行非参数分析（是一种直观的统计检验方法，用于对组间或组内受试者间的统计比较）。
5.7K30编辑于 2022-02-28 - 来自专栏庄闪闪的R语言手册
复现 sci 顶刊中的 3D 密度函数图
文中在模拟阶段给出了一个用 matlab 得到的 3D 密度函数图。 原文图形 主要目的：解释使用该方法预测出未来时间点对应剩余使用寿命（RUL）的分布，对应的点估计和真实值。 可以看出，该方法点估计和真实值非常接近，并且还给出对应点的核密度函数。根据这个核密度函数你可以求出 的预测区间。 好像内容介绍太多了，本文不是文献解读?。主要是复现这个图，那正式开始吧！ 这里我们假设每个时间点的密度函数服从正态分布，均值分别为 1：5，标准差都为 1。颜色是自己比较喜欢的几种配色，参考小明的推文：R语言ggplot2画图一套好看的配色以及调整字体的简单小例子。 = 16) scatter3D(x[which.max(z[,i])], y[i], 0 , add = TRUE, type ='h', col = col[i], pch = 16) } 添加密度函数和点估计 这时基本得到了与文献中类似的 3D 密度函数图啦！
1.7K20发布于 2021-08-20 - 来自专栏韦东山嵌入式
DRV_07_UInput分析_用户态创建input_dev
git clone https://e.coding.net/weidongshan/linux/doc_and_source_for_drivers.git 视频观看 百问网驱动大全 UInput分析 _用户态创建input_dev 参考资料： 1. 编写应用程序 3. /qemu-imx6ull-gui.sh 3.6 挂载NFS、实验 在QEMU中执行： $ mount -t nfs -o nolock,vers=3 10.0.2.2:/home/book/nfs_rootfs 结合应用程序分析uinput
1K20编辑于 2021-12-08 - 来自专栏硬件大熊
单火线设计系列文章3：开态取电电路
取电工作路径：零线->灯泡->K1->D1->C1充电(D3、R1、C3组成稳压电路)，输出Vout1->PGND->保险丝F1->火线 若K1在市电负半周零点电压相位开始闭合，市电电压从零线经过灯泡、 K1后，通过二极管D1进行半波整流给到电容C1充电，Vout1电压开始上升，由D3、R1、C3组成稳压电路，将输出电压Vout1稳定在预设电压范围，经二极管D2隔离后得到Vout2电压给到后端系统供电； C1、C3为储能器件，当取电电路被”旁路”后，通过该器件给后端系统续能。 灯具开态工作路径：零线->灯泡->K1->Q2导通->保险丝F1->火线 当输出电压Vout1达到预设值后，比较器U1的1脚电压高于基准电压3脚，此时比较器U1输出脚Pin4 从低电平翻转为高电平，将MOS 后端系统在该过程中通过储能器件C1、C3进行续能，C1、C3上的能量被消耗，故Vout1电压下降；在比较器输出高电平期间， Q3也会被打开，基准电压3脚从Vref1电压下降为Vref2电压；当U1的1脚电压下降到低于基准电压
1.8K10编辑于 2022-06-23 - 来自专栏用户3288143的专栏
【数据分析可视化】seaborn实现直方图和密度图
import Series, DataFrame %matplotlib inline # 引入 import seaborn as sns /Users/bennyrhys/opt/anaconda3/ Expected 192 from C header, got 216 from PyObject return f(*args, **kwds) /Users/bennyrhys/opt/anaconda3/ Expected 192 from C header, got 216 from PyObject return f(*args, **kwds) /Users/bennyrhys/opt/anaconda3/ # 密度图 Series 的方法直接画.plot s1.plot(kind='kde') <matplotlib.axes. seaborn画 # 直方图，密度图.distplot() # 参数 数据，分块，是否直方图，是否密度图,rug分布情况 sns.distplot(s1, bins=20, hist=True, kde
1.1K20发布于 2020-07-07 - 来自专栏区块链入门
【链安】竞态条件漏洞分析及详细修复建议
什么是竞态条件 【竞态条件】竞态条件的官方定义是如果程序的执行顺序改变会影响结果，它就属于一个竞态条件。 详细分析 1、假设普通用户向原合约(Reentrancy.sol)存入15 ether； 2、攻击者部署攻击合约(POC.sol)，并调用setInstance()指向原合约部署地址； 3、攻击者调用攻击合约的 3、 使用互斥锁：添加一个在代码执行过程中锁定合约的状态变量，防止重入调用 ? 接述事件回顾，重入在DAO攻击中发挥了重要作用，最终导致了 Ethereum Classic（ETC）的分叉。 有关The DAO原始漏洞的详细分析，请参阅Phil Daian的文章。 2. 交易顺序依赖攻击 问题描述 与大多数区块链一样，以太坊节点汇集交易并将其形成块。 引用： 本文转载自《弯道超车老司机戏耍智能合约 | 成都链安漏洞分析连载第三期 —— 竞态条件漏洞》，版权属于原作者*
1.3K20发布于 2018-08-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号