- 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。 nstates=20) density b3lyp/def2tzvp guess=read geom=allcheck out=wfn HCHO-TD.wfn 此处加了density关键词，表示将激发态的电子密度写入 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. 再次点击New Cube，Type中依然选择Total Density，而Density Matrix中选择CI，即生成激发态电子密度的cube文件。 4. 创建基态-激发态电子密度差的cube文件。 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.
3.1K40发布于 2021-05-11 - 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。 杂质或缺陷态分析： 分析掺杂或缺陷附近的局域电子态在带隙中的分布，理解其对材料电学或光学性质的影响。 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
前言 之前在 从STM32L4看ARM裸板的启动过程 一文中介绍了对于 ARM 芯片而言，如何从硬件中断到初始化的软件执行。 init init 是用户态的第一个进程，由 Linux 内核启动，进程号为1。 按照执行流程，init 实际上被执行了 4 次，分别是: int main(int argc, char** argv) { if (! 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。 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 之后做TD(nstates=50)激发态计算。以下我们分析S1和S2两个态。 V(H2O)62+ 这是一个开壳层体系，有三个未成对电子，自旋多重度为4。体系在Exploring第三版的例8.3中进行了研究。此处我们用PBE0/TZVP进行结构优化和TD计算。 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 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。 location cont = 1 for case, label in [(hexamer, 1), (extended, 2), (greater, 3), (major, 4) = label cont +=1 # Hspot -> 0; dist100 -->1; dist200 -->2; dist300 --> 3; dist400 --> 4; Hspot', 1:'dist100', 2:'dist200', 3:'dist300', 4: dist100': 10, 'dist200': 8, 'dist300': 6, 'dist400': 4,
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。 x3 are continuous predictors fit <- glm(count ~ x1+x2+x3, data=mydata) summary(fit) display results 4.
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 - 来自专栏测试开发干货
接口测试平台代码实现107:登录态接口-4
本节我们要继续做登录态接口的js函数。 = 'https://' && login_host.slice(0,4) !='全局域名' ){ alert('host必须以http://或https://开头！') },function (ret) { document.location.reload(); }) } 代码中我设计了一个路由 用来保存这个登陆态接口设置 ，现在就去urls.py中进行映射书写： 然后去views.py中进行开发这个函数，当然内容很简单： # 保存登陆态接口 def project_login_save(request):
43830编辑于 2022-05-19 - 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。 可用于检测分析应用程序的 eBPF 技术 跟踪用户空间进程有多种方法： 静态声明的 USDT 动态声明的 USDT 使用 uprobes 进行动态跟踪 静态声明的 USDT USDT (Userland 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。 $4rnfestrn' 8984 8984 redis-server createStringObject b'octirn$4rnfestrn' 8984 8984 redis-server 让我们分析一下实际的 uprobe 程序。 在必需的 include 语句之后，有宏的定义，该宏通过偏移量处理的方式负责从堆栈中获取参数。
1.8K20编辑于 2022-11-29 - 来自专栏钱塘小甲子的博客
Python金融大数据分析-正态性检验
1.话题引入 我们在线性回归做假设检验，在时间序列分析做自回归检验，那么我们如何检验一个分布是否是正态分布的呢？ 首先，我们定义一个用来生成价格路径的函数。 2.正态性检验 我们知道，其实价格服从的是lognormal分布，而每天的收益率是服从正态分布呢，所以，首先我们根据上面的仿真数据来获得每天的收益率数据。 mean',sta[2]) print "%14s %15.5f" % ('std',np.sqrt(sta[3])) print "%14s %15.5f" % ('skew',sta[4] 所以，写个函数来分析： def normality_test(arr): print "Skew of dataset %14.3f" % scs.skew(arr) print "Skew
1.8K10发布于 2019-01-28 - 来自专栏用户3288143的专栏
【数据分析与可视化】直方图和密度图
., 4.]), array([-3.09294876, -2.46028907, -1.82762939, -1.1949697 , -0.56231002, 0.07034966 # 理解取值范围分布直方图 a = np.arange(10) a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) # 0-2之间有一个，依次如此 plt.hist(a, rwidth type(re) tuple # 频率 re[0] array([ 8., 27., 76., 190., 242., 225., 147., 65., 16., 4.]) # 间隔 re 密度图 s.plot(kind='kde') ? <matplotlib.axes._subplots.AxesSubplot at 0x1a260c38d0>
76720发布于 2020-07-07 - 来自专栏Linux内核
用户态vdpa设备vduse简介及结合QEMU源码分析
术语vduse: VDUSE（vDPA Device in Userspace） 用户态vdpa设备VDUSE 简介：virtio 软件定义的数据路径2022 年 7 月 14 日 谢永吉, 王杰森标签 图4：VDUSE架构概览在图 4 中，核心组件 — VDUSE 守护进程（用户空间）和 VDUSE 模块（内核） — 用红线勾勒出轮廓。 >domain->iotlb, info.start, info.last).compat_ioctl= compat_ptr_ioctl,.llseek= noop_llseek,};QEMU侧源码分析 # launch QSD exposing the VM image as `vduse1` vDPA device 通过vduse-blk将qcow2导出为用户态块设备$ qemu-storage-daemon 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
对静息态下大脑功能连接的分析揭示了不同的静息态网络，这些网络描述了特定的功能和不同的空间拓扑结构。虽然不同的统计方法被引入到静息态功能磁共振成像连接性的研究中，但得到了一致的结果。 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4显示了使用任务fMRI和使用Conn工具箱进行图分析后获得的总体连接性。图5显示了以左右额下回岛盖部作为任务态和静息态fMRI的种子点ROI时获得的FC图。 图4 使用任务态fMRI和静息态fMRI进行的ROI到ROI的全脑功能连接分析结果，应用FDR校正阈值0.05获得的有统计学意义的全脑功能连接图。 4、视觉网络Visual network Beckmann等人观察到双侧和内侧距骨沟、舌回、楔前叶下区和丘脑外侧膝状核的同步激活，它们共同构成了视觉网络。
5.7K30编辑于 2022-02-28 - 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. event3 ts_calibrate // 看到提示这个提示时: Will sleep 60s, in this time you should run ts_test // 运行测试程序 ts_test 4. ### 4. 结合应用程序分析uinput
1K20编辑于 2021-12-08 - 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
# 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 # 密度图 # 参数 数据，颜色填充, 颜色 sns.kdeplot(s1, shade=True, color='r') <matplotlib.axes.
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。 depositEther()函数，预先向原合约预存1 ether，此时， 在原合约中，攻击合约的地址有1 ether余额； 4、攻击者调用攻击合约的withdrawFunds()函数，该函数再调用原合约的 • 漏洞修复 1、 在可能的情况下，将ether发送给外部地址时使用solidity内置的transfer()函数4，transfer()转账时只发送2300 gas，不足以调用另一份合约(即重入发送合约 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 - 来自专栏新智元
别用GPT-4直出文本摘要！MIT、哥大等发布全新「密度链」提示：实体密度是摘要质量的关键
新智元报道 编辑：LRS 【新智元导读】用密度链提示逐步改善GPT-4摘要中的实体密度，只需三步即可获得「人类级摘要」！ 迭代改进文本摘要 提示（Prompt） 任务目标是使用GPT-4生成一组具有「不同信息密度水平」的摘要，同时还要控制文本的长度。 实体密度也随之上升，最开始是0.089，低于人类和GPT-4的结果（分别为0.151和0.122），而在5步操作后密度上升到0.167。 从票选结果来看，第二个CoD步骤获得了最高评价，再结合之前平均密度的实验结果，可以大体推断出人类更倾向于选择实体密度约为15%的文本摘要，显著高于GPT-4生成的摘要（实体密度0.122）。 定性分析 摘要的连贯性/可读性和信息量之间在迭代的过程中需要权衡。 上面例子中展示了两个CoD步骤，分别包含更细节的内容和更粗略的内容。
54710编辑于 2023-10-04 - 来自专栏F-Stack的专栏
全用户态网络开发套件 F-Stack 架构分析
性能瓶颈主要包括以下几个方面 局部性失效 - 一个数据包的处理可能跨多个CPU核心、缓存失效、NUMA不友好 一个数据包可能中断在cpu0，内核态处理在cpu1，用户态处理在cpu2， 这样跨越多个核心 用户态内核态的上下文切换和软中断都增加了额外的开销。 内存拷贝 - 内核态和用户态之间的内存拷贝 网络数据包从网卡到应用程序需要经过如下的过程： 数据从网卡通过DMA等方式传到内核开辟的缓冲区；数据从内核空间复制到用户态空间。 使用DPDK作为网络I/O模块，将数据包从网卡直接接收到用户态，减少内核态到用户态的内存拷贝。 抓包可以在config.ini里配置开启，抓包文件也可以在wireshark里直接分析。
12.6K81发布于 2017-06-12 - 来自专栏DeepHub IMBA
学习偏态分布的相关知识和原理的4篇论文推荐
偏态分布(skewness distribution)指频数分布的高峰位于一侧，尾部向另一侧延伸的分布。偏态分布是与“正态分布”相对，分布曲线左右不对称的数据次数分布，是连续随机变量概率分布的一种。 可以通过峰度和偏度的计算，衡量偏态的程度。 除了对二元响应的推断有用外，这些方法还可以作为更复杂公式的构建模块，如密度回归、非参数分类和图形模型。 4、On the Approximation of the Sum of Lognormals by a Log Skew Normal Distribution Marwane Ben Hcine, 这篇论文在对数斜偏正态逼近的基础上，提出了一种通用而又简单的对数法线和逼近方法。它主要贡献是提出了一种对数偏正态参数估计的解析方法。
65710编辑于 2022-11-11 - 来自专栏拓端tecdat
R语言逐步多元回归模型分析长鼻鱼密度影响因素
p=9564 ---- 目录 如何做多元回归 逐步回归选择模型 逐步程序 定义最终模型 方差分析 预测值图 检查模型的假设 模型拟合标准 将模型与似然比检验进行比较 ---- 我从马里兰州生物流调查中提取了一些数据 ，以进行多元回归分析。 Data, Longnose, Acerage, DO2, Maxdepth, NO3, SO4, R-squared: 0.2798, Adjusted R-squared: 0.2461F-statistic: 8.289 on 3 and 64 DF, p-value: 9.717e-05 方差分析 这些残差的分布应近似正态。 残差与预测值的关系图。残差应无偏且均等。 模型拟合标准 模型拟合标准可用于确定最合适的模型。使用AIC或可选的BIC。
74800发布于 2020-08-22
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