MIKE 21 教程 1.6 基于DEM数据设置河道高程

高精度MIKE模型的居住小区雨水系统评价及内涝积水分析

转自《水利与建筑工程学报》快速的城市化效应就像催化剂，极剧地加速了水文循环。这使得强降雨事件频发，城市内涝风险不断攀升[1,2]。雨水管网对于暴雨的脆弱性和区域内的积水风险，一直以来被看作不确定性问题[3]。为分析此类问题，一些列的水文水动力模型随之发展而来，如InfoWorksICM、 PCSWMM 、MIKE等[4]。MIKE模型作为一个较为成熟的雨洪模型，在工程和学术领域均得到了广泛的应用。由于MIKE模型包含多个计算模块，其应用方向也不尽相同。

MIKE 21 教程 2.1水动力模型介绍

水动力模型是MIKE一切模拟的基础，用来模拟水的流速流量，高程方向等物理信息。后续的污染物迁移模拟，泥沙模拟等，也是基于水动力模型进行的。水动力模型是基于三向不可压缩和 Reynolds（雷诺） 值均布的 Navier-Stokes （斯托克方程）方程，并服从 于 Boussinesq 假定和静水压力的假定。Boussinesq 假定和静水压力的假定为质的各向同性的线性半空问表面上作用一集中 力P，在线性变形体内任何点M的应力分布的弹性理论公式。以下是二维非恒定浅水方程组：在进行求解时，MIKE使用有限体积

MIKE 21 教程 1.4 网格搭建界面介绍之高程数据输入与网格导出 （Mesh Generator 工具）

​MIKE 21 教程 手把手教学 1.4 网格搭建界面介绍之高程数据输入 （Mesh Generator 工具） 上一篇文章讲解了网格生成的相关操作： MIKE 21 教程 1.3 网格搭建界面介绍之网格生成 （Mesh Generator 工具） 本节讲解高程数据的导入与处理 1 手动创建高程数据

MIKE水动力笔记4_制作网格

建立水动力模型前的重要一步就是制作网格，本文所讲内容就是如何在MIKE中制作网格。

MIKE21 MIKE软件 教程 0.1 软件介绍与教学目录

MIKE 21是一个专业的工程软件包，用于模拟河流、湖泊、河口、海湾、海岸及海洋的水流、波浪、泥沙及环境问题。在MIKE Zero集成平台中，主要有MIKE11，MIKE21，MIKE3三类软件，分别对应一维，二维，三维的水动力模型模拟。同时还包括MIKE HYDRO，MIKE FLOOD等其他功能，各软件的具体介绍请参考DHI公司的官方文档，在此不作赘述。学习过程中，对于任何操作界面的疑问，建议大家仔细阅读帮助文档（在有疑问的界面按F1调出），同时官方也提供了对应的线上和线下教学服务（免费+收费）。

MIKE 21 教程 1.5 基于卫星影像绘制河道边界

上一节讲解了如何输入高程数据与绘制网格本节讲解如何根据卫星影像绘制河道边界。在实际项目中，经常遇到河道图纸缺少的情况，此时可以根据卫星影像进行勾勒绘制。常用的地理信息软件均可完成此功能，这里使用大家较为熟悉的ArcGis进行教学（本文默认大家有基础ArcGis操作知识，如有不懂可留言）。

MIKE21 教程 3.2 随空间变化的网格文件制作（.dfsu文件制作） 曼宁值网格文件制作

上一节讲解了如何制作时间序列文件。本节讲解如何制作仅随空间变化的文件。 目录 1 数据准备 1.1 基于地形设置 1.2 基于地形水深设置： 2 数据导入 3 数据导出

MIKE21水动力模型建模全流程中文教程：从网格构建到参数设置与调试

水动力模拟是水环境、洪水演进及港口航道工程中不可或缺的基础技术，其核心在于通过求解二维浅水方程，刻画流速与水位在时空上的分布规律。无论是河道洪水过程复演、湖泊风生流分析，还是海岸潮汐流场计算，建立可靠的二维水动力模型都是开展污染物扩散、泥沙输移等后续研究的前提。在实际工程中，模型搭建涉及地形数据处理、非结构化网格生成、边界与初始条件配置、糙率及涡粘系数选取等关键环节，每一步都直接影响计算稳定性与结果可信度。本文以MIKE21水动力模块为例，系统梳理从数据准备、网格划分到参数率定与结果检验的完整流程，并结合常

MIKE21FM退圩还湖二维水动力洪水分析

二维水动力模型以浅水方程为核心，通过非结构网格离散计算域，能在同一模型中兼顾开阔湖区与口门、河道等细部尺度，是湖泊洪水模拟的常用技术路径。其原理在于局部加密与渐变过渡，结合地形插值、开闭边界、糙率和干湿判定，还原水位、流速及淹没过程的时空变化。对退圩还湖工程而言，这种能力可量化还湖前后调蓄容积、洪水传播路径、最高水位、淹没历时与超警范围的变化，为方案比选和风险复核提供依据。围绕MIKE21FM，从DEM处理、网格剖分、边界参数到结果统计与率定校核，形成可复现的二维湖泊洪水分析链路。

MIKE21 平面二维水流模型练习实例

MIKE21平面二维水流模型实例教程，包括水动力学计算设置步骤、生成地形文件、输入参数、创建边界条件、模型建立与分析。

mike21中文教程

mike中文学习教程，适用于想快速学习mike2维计算。

MIKE21教程

不错的MIKE21中文教程，主要介绍MIKE21水动力模块方面的内容

mike21教程

不错的mike21教程，唯一的缺陷：这本书是英文

Mike21教程

学习教程，介绍了Mike21如何操作和应用

Nengo神经工程框架：脉冲神经网络的实时编译与硬件部署

脉冲神经网络（SNN）作为类脑计算的核心范式，正从生物模拟走向工程落地。其本质是用离散脉冲建模神经动力学，关键在于实现可预测、可复现的神经行为而非单纯拟合函数。Nengo基于神经工程学框架（NEF），将动态系统理论与硬件约束深度融合，通过解析式权重计算、确定性时间步长（dt）和多后端编译能力，支撑从CPU仿真到Loihi/FPGA的端到端部署。它不替代深度学习框架，而是提供面向神经形态芯片的‘神经编译器’能力，使LIF神经元参数、突触动力学与硬件时序严格对齐，显著提升实时性、能效比与物理可解释性。

Ubuntu离线情况下安装gcc编译器

Ubuntu离线情况下安装gcc编译器1.系统版本2.安装说明3.异常处理 1.系统版本 （1）Ubuntu系统版本：20.04.1LTS； （2）gcc编译器版本：gcc-9.3.0（下载链接为https://download.csdn.net/download/qq_18350351/13762214）； 当前可找到的gcc最新版本为gcc-10，但是笔者在安装gcc-10版本时发现一些依赖项无法安装，因此选取了gcc-9版本。如果是在联网情况下安装，直接使用apt相关的安装指令即可。 2.安装说明 安

抖音直播间人气接口算法 抖音协议

抖音直播间人气接口算法 抖音协议 抖音算法

Java课程设计——扫雷游戏程序

使用Java语言对扫雷游戏的复刻

【实用工具】QQ自动发消息

程序下载：蓝奏云 源代码： #include<Windows.h> #include<bits/stdc++.h> #include<conio.h> using namespace std; void HideWindow() { HWND hwnd; hwnd=FindWindow("ConsoleWindowClass",NULL); if(hwnd) ShowWindow(hwnd,SW_HIDE); return; } int main() { pri

Ubuntu18.04环境搭建与疑难解析：从零复现YOLO-6D姿态估计算法

本文详细介绍了在Ubuntu18.04环境下从零开始复现YOLO-6D姿态估计算法的完整流程，包括系统配置、Conda环境搭建、PyTorch安装、依赖项管理、源代码获取、数据集准备以及训练验证过程。针对Singleshotpose算法的特殊需求，提供了详细的疑难解析和性能优化技巧，帮助开发者高效完成算法复现和应用部署。

GTSAM | gtsam::ISAM2

本节简单介绍`gtsam::ISAM2`类。

第44节：cesium 大雾效果（cesium自带）（含源码+视频）

cesium 大雾效果（cesium自带）

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版