高斯羽煙模型計算氣體擴散濃度
高斯羽煙模型
方程:
式中c為汙染物濃度(單位：kg/m3)
Q為源強(單位：kg/s)
u為洩漏高度的平均風速(單位：m/s)
y、z分別用濃度標準偏差表示的y軸及z軸上的擴散引數
H為洩漏有效高度(單位：m)
擴散係數係數
| 穩定度 | a | b | c | d | | -- | -- | --- | --- | -- | |A| 0.527 | 0.865 | 0.28 | 0.90 | |B| 0.371 | 0.866 | 0.23 | 0.85 | |C| 0.209 | 0.897 | 0.22 | 0.80 | |D| 0.123 | 0.905 | 0.20 | 0.76 | |E| 0.098 | 0.902 | 0.15 | 0.73 | |F| 0.065 | 0.902 | 0.12 | 0.67 | Matlab 模擬程式碼:
clc; clear all; [x,y]=meshgrid(0:20:5000,-2000:20:2000); Q=1000;%源強 %sigma_y=ax^b 水平擴散係數 a=0.123; b=0.905; sigy=a*x.^b; %sigma_z=cx^d 垂直擴散係數 c=0.2; d=0.76; sigz=c*x.^d; u=1;%風速 H=200;%洩漏有效高度 z=0;%高度 Qpi=2*Q./(2*pi*u.*sigy.*sigz+eps); ex1=exp(-0.5*(y./(sigy+eps)).^2); ex2=exp(-0.5*((z-H)./(sigz+eps)).^2)+exp(-0.5*((z+H) C=Qpi.*ex1.*ex2; contour(x,y,C,'ShowText','on')
相關推薦
高斯羽煙模型計算氣體擴散濃度
開發十年，就只剩下這套架構體系了！ >>>
高斯判別分析模型The Gaussian Discriminant Analysis model
高斯判別模型，內容其實非常簡單 對於大多數模型，無非就是做這麼幾件事情 1.假設模型 2.設定引數，表示概率 3.用最大似然，通過樣本算出引數 4.用得到的引數，再去測試資料裡計算概率 高斯模型判別是是這樣，因為是判別嗎，所以我們就把判別結果用0，1兩種結果來表
SSE影象演算法優化系列二十六:和時間賽跑之優化高斯金字塔建立的計算過程。
影象金字塔技術在很多層面上都有著廣泛的應用，很多開源的工具也都有對他們的建立寫了專門的函式，比如IPP，比如OpenCV等等，這方面的理論文章特別多，我不需要贅述，但是我發現大部多分開源的程式碼的實現都不是嚴格意義上的金字塔，而是做了一定的變通，這種變通常常為了快捷的實現類似的效果，雖然這種變通不太會影響
生成學習演算法之高斯判別分析模型
第四部分 生成學習演算法 到目前為止，我們主要討論了建模——給定下的的條件分佈——的學習演算法。例如，邏輯迴歸把建模成，這裡是sigmoid函式。在這些講義中，我們將討論一種不同形式的學習演算法。 考慮一個分類問題，在這個分類問題中，我們想基於一個動物的一些特徵，來學習
高斯混合模型的重疊度計算 （Overlap Rate, OLR）
簡介 關於高斯混合模型（GMM）的相關概念可以參考另一篇博文：高斯混合模型及其EM演算法的理解 使用GMM聚類或分析兩個高斯混合分佈的資料時，我們有時會希望兩個高斯分佈離得越遠越好，這樣表示資料才有可分性。但很多情況下兩個高斯分佈會有重疊。一維和二維的重
三角網格表面高斯曲率的計算與可視化
綠色 調試運行 即將 簡單 坐標 com 框架搭建 alt 建立 好久沒有寫代碼了，最近拿計算三角網格表面的高斯曲率練了練手，並實現了高斯曲率的可視化，復習了一點微分幾何的知識。感覺有時候還是要自己把代碼寫出來，調試運行，結合試驗結果，才能對相應的知識有更深的了解。 所謂曲
估計高斯混合模型參數的三種方式
als .so ons die from ssi object sqrt int 對於如下的兩類別的高斯混合模型 \[ \pi\cdot N(\mu_1,\sigma_1^2)+(1-\pi)\cdot N(\mu_2,\sigma_2^2) \] 參數為\(\theta
CS229 Machine Learning學習筆記:Note 7(K-means聚類、高斯混合模型、EM算法)
learn 不同的 inf ear 公式 course splay alt spa K-means聚類 ng在coursera的機器學習課上已經講過K-means聚類，這裏不再贅述 高斯混合模型 問題描述 聚類問題：給定訓練集\(\{x^{(1)},\cdots,x^{(m
[吳恩達機器學習筆記]15.1-3非監督學習異常檢測算法/高斯回回歸模型
閾值 訓練集 jpg -a 情況 color 訓練 ase 需要 15.異常檢測 Anomaly detection 覺得有用的話,歡迎一起討論相互學習~Follow Me 15.1問題動機 Problem motivation 飛機引擎異常檢測 假想你是一個飛機引擎制造
計算方法B_列主元高斯消去
atl abs 過程 light pre n-1 pen ros true %列主元高斯消去法 %by wu penghao A=rand(10,10); b=rand(10,1); x_c=A\b; %真實值 x=zeros(10,1); n=length(A); %消
計算方法B_高斯消去
bsp 計算 rand highlight code light %20 tlab roo %計算方法No.1 %20180916 by wupenghao %高斯消去 %！！！循環中的步長一定要設置準確，+1和-1等，一定要註意！！！ A=rand(10,10); b
EM算法與混合高斯模型
exp n) white http tlab real 概率 mat strong EM算法與混合高斯模型 close all; clear; clc; %% Sample Generate N=5000; a_real =[3/10,5/10,2/10]; mu_re
機器學習 - 無監督學習-多元高斯模型
（一）異常檢測---基於高斯（正態）分佈 m個訓練樣本，每個樣本有n個features 即m個樣本的每個屬性集都呈現高斯分佈，因此有以下計算： 例子如下： （二）評價異常檢測系統 將所有資料按照60%,20%,20%的比例分成三部分
生成模型--高斯判別+樸素貝葉斯
分類演算法： 判別學習演算法（logistic二元分類器，softmax分類器..）特點:直接去求條件概率分佈 p(y|x; θ）, 也表示為 hθ(x)，重點是去擬合引數θ 生成學習算(中心思想是直接去求p(y|x; θ）很難,然後轉而去求聯合分佈 p(x，y), 然後利用貝葉斯
GMM混合高斯模型演算法詳解
使用概率模型的原因 k均值等價於假設了球對稱形狀的聚類。使用帶權歐式距離，仍然假設了軸對齊的橢球。沒有考慮聚類的形狀。 促使概率模型的原因：混合模型 提供觀測點到聚類的軟分配soft assignment（分配包含不確定性） 考慮了聚類的形狀而不僅僅是中心
關於什麼時候用異常檢測和監督學習，以及多元高斯模型的使用
當有很多負樣本，少量正樣本的時候，用異常檢測。 假如特徵不符合高斯分佈，則應該對原始特徵做一個變換，比如log(x)或者X^2等等讓其符合高斯分佈 多元高斯混合模型公式： 其中裡面有兩個引數一個是u特徵均值，一個是協方差矩陣 混合高斯模型使用條件 m（訓練樣本數量）>n
三角網格表面高斯曲率的計算與視覺化
好久沒有寫程式碼了，最近拿計算三角網格表面的高斯曲率練了練手，並實現了高斯曲率的視覺化，複習了一點微分幾何的知識。感覺有時候還是要自己把程式碼寫出來，除錯執行，結合試驗結果，才能對相應的知識有更深的瞭解。 所謂曲面上某點的高斯曲率，即該點兩個主曲率的乘積。把曲面上的頂點對映到單位球的球心,把法線
[吳恩達機器學習筆記]15.1-3非監督學習異常檢測演算法/高斯回回歸模型
15.異常檢測 Anomaly detection 覺得有用的話,歡迎一起討論相互學習~Follow Me 15.1問題動機 Problem motivation 飛機引擎異常檢測
統計概率模型-高斯判別分析
統計概率模型 1、高斯判別分析 2、樸素貝葉斯 3、隱馬爾可夫模型 4、最大熵馬爾科夫模型 5，條件隨機場 6，馬爾科夫決策過程 一、高斯判別分析 一、生成模型 機器學習模型有一種分類方式：判別模型和生成
【機器學習】EM演算法在高斯混合模型學習中的應用
前言 EM演算法，此部落格介紹了EMEM演算法相關理論知識，看本篇部落格前先熟悉EMEM演算法。 本篇部落格打算先從單個高斯分佈說起，然後推廣到多個高斯混合起來，最後給出高斯混合模型引數求解過程。 單個高斯分佈 假如我們有一些資料，這些資料來自同一個