ssdtools ssdtools是一个R软件包，用于绘制和拟合物种敏感度分布（SSD）。 SSD是累积概率分布，适合于不同物种的毒性浓度，如Posthuma等人所述。 （2001）。 ssdtools软件包使用最大似然来拟合分布，例如对数正态，伽马，对数逻辑，对数古姆贝尔，Gompertz和Weibull。 用户还可以提供自定义发行版。 可以使用信息标准对多个分布进行平均。 通过参数自举产生危害浓度和比例的置信区间。 安装 要从安装最新版本 install.packages( " ssdtools " ) 要安装最新的开发版本： install.packages( " remotes " ) remotes :: install_github( " bcgov/ssdtools " ) 介绍 ssdtools提供了包括硼在内的多种化学物质的数据集。 library( ssdto

在用迅雷下载的资源有敏感提示的时候打开本脚本可以继续下载，没有的时候建议关闭

Spark-LSH 局部敏感哈希。 主要是的 PySpark 端口。 先决条件 火花 1.2+ Python 2.7+ SciPy 0.15+ NumPy 1.9+ 实施细则 该项目遵循 spark-hash Scala LSH 实现的主要工作流程。 它的核心lsh.py模块接受 RDD 支持的密集 NumPy 数组或 PySpark SparseVectors 列表，并生成一个模型，该模型只是对生成的所有中间 RDD 的包装。 下面将详细介绍每个步骤。 重要的是要注意，虽然这个管道将接受密集或稀疏向量，但来自的原始哈希函数几乎肯定会因密集向量而失败，导致所有向量都被散列到所有波段中。 目前正在开展工作以实现更均匀地分割密集向量的替代哈希函数。 对于稀疏情况，结果与的结果重复。 用法 用法遵循 spark-hash 项目的用法。 参数保持不变。 参数 命令行参数： --bins

探讨土地生态敏感性分析的理论与方法，基于土地生态环境“先保护后开发”的理念，提出以生态敏感性、自然条件和社会经济条件作为建设用地适宜性的主要影响要素，选取14个指标构建多因素综合评价模型，其评价体系包括基本因素层、派生因素层和指标层三个层次，并引入模糊隶属度函数改进模型算法，形成综合评价法、模糊评判法和RS／GIS相结合的区域建设用地适宜性评价方法，结果分等级显示土地生态敏感程度和建设用地适宜性程度的空间分布，根据土地生态敏感性分析结果，划定区域建设用地的生态安全格局。在方法研究的基础上，以长沙市湘江新区

目前星载信号处理平台中大量使用商用芯片，但商用芯片抗辐射能力较弱，在空间环境下常出现单粒子翻转(Single Event Upset，SEU)，从而造成系统功能紊乱，甚至中断。提出以星载信号处理平台中大量使用的SRAM型FPGA为研究对象，采用故障注入的方式研究FPGA中不同硬件资源对于SEU效应的敏感性问题。根据不同资源对SEU效应表现出不同敏感性的结论，可在SRAM型FPGA的抗SEU防护上进行有针对性的设计。

天文导航是以已知准确空间位置、不可毁灭的自然天体为基准，被动探测天体位置，经解算确定测量点所在平台的经度、纬度、航向和姿态等信息。其中以通过对恒星成像进行光电转换获取星点信息进行姿态确定的星敏感器应用最为广泛，他主要包括两个部分：星点提取和星点识别，本文主要关注前者。除了成像器件本身的噪声缺陷，由于空间辐射会导致星敏感器拍摄星图背景灰度均值增大, 背景起伏明显, 另一方面星敏感器探测的是微弱的恒星星光,对杂散光非常敏感,,主要的杂散光源为日光、月光和地气光等杂散辐射源,主要呈现为斜坡噪声。 传统的几何方法主要需要针对某一种情况下的某种应用，当成像器件、光学环境和空间环境等发生变化时，相应的方法也会发生改变。使用全卷积神经网络可在不改变网络结构的情况下，通过更改训练样本，灵活实现星点提取。具体到本文，主要解决三个方面的问题：1不同背景均值下的提取，2散点噪声下的提取，3斜坡噪声下的提取。

敏感性分析对于理解每个气候输入变量对蒸发蒸腾量变化的影响非常重要，而蒸发蒸腾量是水文模型，灌溉计划和水资源管理的重要元素。 这项研究调查了蒸散量对最大和最小温度，太阳辐射，风速以及最大和最小相对湿度的变化的响应。 使用1998年至2012年的8个站点的每日数据。 对于每个气候变量，进行5％到±25％的变化，以评估蒸散量对输入变量的敏感性。 结果表明，蒸散量分别对太阳辐射，最高温度和风速的变化更为敏感。

SimLab 2.2是为基于蒙特卡洛的不确定性和灵敏度分析而设计的软件。 Monte Carlo (MC)方法在这里用于伪随机数的生成，重点是来自联合概率分布的点的采样集;经常使用“样本分布”的名称。 基于mc的不确定性和敏感性分析是基于使用概率选择的模型输入执行多个模型评估，然后使用这些评估的结果来确定1)模型预测中的不确定性和2)导致这种不确定性的输入变量。一般来说，一个分析包括五个步骤。Monte Carlo 在第一步中，为每个输入变量(输入因子)选择范围和分布。这些选择将在下一步从输入因子生成样本时使用。如果分析主要是探索性的，那么相当粗略的分布假设可能就足够了。 在第二步中，根据第一步中指定的输入的分布生成点的样本。这一步的结果是一个样本元素序列。 在第三步中，向模型输入样本元素，产生一组模型输出。本质上，这些模型评估创建了一个从输入空间到结果空间的映射。这个映射是后续不确定性和敏感性分析的基础。 第四步，将模型评价的结果作为不确定度分析的基础。描述不确定性的一种方法是用一个平均值和一个方差。还提供了其他模型输出统计数据。 第五步，将模型评价的结果作为敏感性分析的基础。

系统主要使用由北京师范大学2000级计算机系张人杰开发制作的基于多叉树的查找的Java工具包：alex-word-filter.jar，工具包自带有2445敏感词的词库。我只是做了简单的应用，写了个小系统。

针对轴承振动信号非线性、非平稳性和故障特征微弱性的特点,以及工程实际中难以获得大量故障样本的情况,提出了一种基于多尺度排列熵和支持向量机的轴承故障诊断新方法。该方法首先对轴承不同运行状态下的振动信号进行多尺度排列熵特征提取,然后通过距离评估技术从原始多尺度排列熵特征中选取敏感特征,最后将敏感特征输入到采用遗传算法优化的支持向量机中,实现对轴承不同运行状态的自动识别。对实验数据分析的结果表明,该方法可以精细地获取故障信息,从大量原始特征中选择出敏感特征,有效地实现滚动轴承故障状态的诊断。