MIKE 21 教程 2.2 Domain, Time, Module Selection设置教学

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）。

环境仿真软件：MIKE 21_（9）.沉积物输运模拟

本文介绍了沉积物输运的基本概念、MIKE 21沉积物输运模块的功能和数学模型，并通过Python代码示例展示了如何设置和运行模拟，以及如何分析模拟结果。沉积物输运是指水体中的沉积物在水流、波浪、风等自然力的作用下，从一个地方移动到另一个地方的过程。在环境仿真软件中，沉积物输运模拟是一个重要的模块，它可以用于评估沉积物的分布、迁移路径以及对环境的影响。方程通常包括对流项、扩散项和源汇项。：获取准确的水流、波浪、风速等数据是进行沉积物输运模拟的基础，但这些数据的获取往往较为困难，特别是在复杂地形和环境条件下。

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水动力笔记5_建立水动力模型

前文已经讲了如何制作网格文件（.mdf文件），这一博文就讲如何建立水动力模型。

环境仿真软件：MIKE 21_（7）.水质模拟

水质模拟是环境科学研究和工程应用中的重要工具，MIKE 21 提供了强大的功能来模拟水体中的各种物理、化学和生物过程。通过 Python 脚本进行二次开发，可以实现更复杂的模拟和分析。验证和校准模型是确保模拟结果准确性和可靠性的关键步骤，常用的验证和校准方法包括实测数据对比、敏感性分析、统计检验和可视化分析。通过这些方法，研究人员和工程师可以更好地理解和预测水体中的水质变化，为环境保护和水资源管理提供科学依据。

环境仿真软件：MIKE 21_（8）.MIKE21生态模块介绍

选择生物种群：在模型设置中选择需要模拟的生物种群，如浮游植物、浮游动物等。设置初始浓度：定义生物种群的初始浓度分布，可以使用实测数据或假设数据。设置生物参数：输入生物种群的生长率、死亡率、捕食率等参数。# 导入 MIKE 21 生态模块# 创建生态模型实例# 定义浮游植物种群# 设置浮游植物的初始浓度分布选择源汇项类型：在模型设置中选择需要定义的源汇项类型，如生长、死亡、捕食等。设置源汇项参数：输入源汇项的相关参数，如生长率、死亡率等。定义源汇项公式：使用数学公式或函数来定义源汇项的变化规律。

MIKE_21_ECO Lab.pdf

MIKE_21_ECO Lab.pdf

mike21 MT泥沙模块教程

丹麦水科所mike21 MT泥沙模块计算教程，文档最后附有计算案例，计算中的各个参数的选取也有说明。

溢油模型相关资料.zip

这是关于Mike21溢油模块讲解，图解具体步骤，这对于建模新手是非常有用的，如果你是新手的话这个将会成为你Mike21已有模块使用途中的好帮手。

MIKE21-SA模块

Mike21教程

学习教程，介绍了Mike21如何操作和应用

Python声音识别实战：从音频处理到智能分类

本文详细介绍了使用Python进行声音识别的完整实战流程。从音频预处理、特征提取（如MFCC）到构建分类模型（SVM、CNN），并最终实现一个实时环境音分类器。文章以Python为核心工具，结合librosa等库，为开发者提供了从理论到实践的清晰路径，适用于智能家居、工业监测等多种应用场景。

网易数智CoreAgent实战：5步教你打造企业级AI数字员工（附避坑指南）

本文以网易数智CoreAgent智能体协作中枢为核心，提供了一份企业级AI数字员工的实战部署指南。文章详细拆解了从环境准备、智能体配置、业务集成、安全合规到效果评估的五个关键步骤，并分享了部署过程中的常见“避坑”经验，旨在帮助企业技术团队高效、安全地将AI智能体落地于实际业务场景，解决AI落地难题。

yakit 验证码识别 进行webfuzzer

在渗透测试的过程中，我们可能需要对管理员密码进行枚举，或者密码喷洒的时候，遇到验证码就很烦。有没有自动化识别验证码的办法呢？有的，兄弟，有的。验证码的识别率很低，captcha-killer-modified对算术验证码识别正确率非常低，还会识别成乱七八糟的结果，这就非常麻烦。因为你不知道到底是验证码不对，还是密码不对。这是 ddddocr 识别率的问题，如果师傅们找到准确度更高的工具，完全可以替换上去。

SystemVerilog实战：AXI Stream协议从零搭建（附完整代码解析）

本文详细介绍了如何使用SystemVerilog从零搭建AXI Stream协议，包括核心信号解析、接口设计、主从设备实现及验证环境构建。通过完整的代码示例和工程实践技巧，帮助开发者掌握AXI Stream在FPGA/ASIC设计中的高效数据传输方法，特别适合视频处理和网络数据传输等应用场景。

红外与可见光融合避坑指南：LLVIP数据集实测6大算法效果对比

本文基于专为弱光视觉设计的LLVIP数据集，对GTF、DenseFuse、FusionGAN、IFCNN等6种主流红外与可见光图像融合算法进行了深度实测与对比。通过客观指标与可视化分析，揭示了算法在极端弱光下易出现特征丢失的共性问题，并探讨了融合图像对下游目标检测任务的实际增益，为工程选型与算法调优提供了实用指南。

ARKit面部动画实战：如何用blend shape让数字人表情更自然（附中文对照表）

本文深入探讨了如何利用ARKit的blend shape技术驱动数字人面部动画，以实现更自然生动的表情。文章提供了详细的blend shape中文对照表，并分享了实战技巧，包括构建复合表情动画序列、处理不对称性与微表情，以及性能优化策略，旨在帮助开发者高效提升数字人的表情表现力。

使用自己的数据跑通mmsegmentation

使用自己的数据跑通mmsegmentation，解决以下报错:1）type object 'FileClient' has no attribute 'infer_client' 2）It is expected output_size equals to 2, but got size 3 3）训练测试结果报NAN 4）KeyError: 'MyDataset is not in the dataset registry' 5）预训练模型和加载的网络结构层名有差异,unexpected key .....

099、多摄融合与变焦系统：广角到长焦的无缝切换算法

本文分享了多摄融合与变焦系统开发中的实战经验和关键挑战。作者通过一个旗舰机项目案例，揭示了广角到长焦切换时画面抖动问题的根源——融合算法误将视差当作运动补偿，并提出"视差冻结窗口"的解决方案。文章总结了三大多摄融合难点：物理视差处理、亮度差异补偿和切换时机把控，详细阐述了分层架构设计、融合权重计算等核心技术。同时强调了产线校准的重要性，并给出五项实用建议：允许边缘鬼影保留、参数场景化配置、加强产线检测、完善调试接口，以及合理运用AI技术。全文展现了多摄融合技术在时间、空间和感知维度上的复杂平衡艺术。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

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")

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正