基于MATLAB的核反应堆屏蔽随机游走模型

dFCwalk是一个MATLAB工具箱，用于分析从大脑活动时间序列估计的功能连接 (dFC) 的动态变化。它将dFC描述为功能网络空间中的复杂随机游走，将dFC重新配置视为结合了“流动性”和“协调性”的平滑过程。 与其他方法不同，dFCwalk不需要提取离散连接状态。工具箱提供MATLAB函数来量化dFC随机游走的特征： dFC速度分析: 提取随时间变化的FC重新配置速率分布，用于速度或缩放分析。 元连接(MC)分析: 识别功能链接组，其波动随时间变化，并定义了真正的dFC模块，这些模块沿着特定的dFC元集线器控制器组织（区别于传统的FC模块和集线器）。对每个dFC模块进行dFC速度分析。 dFCwalk主要应用于fMRI静息状态数据，但也可扩展到其他类型的神经活动时间序列，例如局部场电位、EEG、MEG和fNIRS。

这段Matlab代码实现了基于随机游走的3D形状匹配算法。该算法通过模拟粒子在三维模型表面随机游走的过程，计算模型上每个点到其他点的距离或相似性，从而实现形状匹配。 代码功能： 加载三维模型数据 定义随机游走参数（例如，步长、游走次数） 执行随机游走模拟 计算模型上点之间的距离或相似性矩阵 可视化匹配结果 使用方法： 将三维模型数据文件（例如，.obj, .ply）放置在代码所在目录下。 修改代码中加载数据的路径和文件名。 设置随机游走参数。 运行代码。 注意： 代码需要安装Matlab环境才能运行。 可以根据需要修改代码，例如，使用不同的距离度量方法或可视化方式。

在Theano上进行的DeepWalk由Brian Perozzi开发，支持在多个GPU上进行分布式训练。现在采用Keras构建模型的灵活版本。随着Keras现在支持TensorFlow作为后端，这使得训练图形嵌入变得更加简便。

随着技术的进步，这些MATLAB代码能够为有限体积和随机游走计算生成非结构化网格。此外，该软件还包括来自Szpak等人的椭圆拟合工具。具体而言，unperturbed_disc_main.m用于无扰动盘问题，unperturbed_ellipse_main.m用于无扰动椭圆问题，perturbed_disc_main.m用于扰动盘问题，perturbed_ellipse_main.m用于扰动椭圆问题，tasmania_analysis.m用于塔斯马尼亚案例研究，taiwan_main.m用于台湾案例研究。要生成图1，请运行unperturbed_disc_main.m的第1到64行；要生成图2，请运行unperturbed_ellipse_main.m的第1到64行；要生成图3，请运行perturbed_disc_main。

本项目基于 GK Siogkas 和 ES Dermatas 在 IEEE 智能交通系统交易中发表的论文“使用自动时空种子选择在不利条件下进行随机步行者单目道路检测” (DOI: 10.1109/TITS.2012.2223686) 实现了随机游走者道路检测算法。 Python 实现依赖: Python 3+ (在 Python 3.6 上测试) Miniconda / Python scikit-image (图像 I/O 和基本操作) NumPy (数组操作、索引和代码矢量化) Matplotlib (可视化) 关于该项目的创建和背后基本原理的评论，请参阅我在 LinkedIn 上发布的一系列文章。

Python 代码： 在线屏蔽代码：- cartpole_test.py- cartpole_test_bl.py- bicycle_test.py- bicycle_test_bl.py MATLAB 代码： 用于 LQR 验证。依赖项：- SOSTOOLS 3.03- SeDuMi 优化器 基线代码： 依赖项：- Z3 定理证明器

持久性随机游走已经被应用于研究细胞的定向迁移模型。

在单域反应扩散模型中，采用Matlab开发模拟螺旋波的系统。

此存储库包含Matlab代码，用于描述无标度随机网络上的随机SIR动力学。该模型的详细描述可以在Matia Sensi合著的论文“网络属性和流行病参数如何影响无标度随机网络上的随机SIR动态”中找到。我们欢迎您提供反馈意见和建议。如果您发现错误或有任何问题，请通过以下邮箱联系我们：sara.sottile@unitn.it, ozan.kah@gmail.com, mattia.sensi@unitn.it。通过配置模型，您可以选择幂律分布的指数来生成无标度网络，并决定传播速度、感染节点的初始数量及其位置（如中心、平均程度、外围或随机）。运行程序的方法是键入：./configuration.py [FLAG] [P]。设置参数的方法是：N [节点数量] alpha [幂律指数] number_of_infected [起始时的感染数量] end_time [最大时间]