精华内容
下载资源
问答
  • CesiumEcharts的结合

    千次阅读 2019-07-12 18:10:08
    最近看群里好多小伙伴问cesium和mapV以及echarts的结合,mapV的结合暂时还不想放出来,先把和Echarts的结合的原理说下,后续会放出代码;经过修改,我叠加的echarts已经不会显得飘在地球上方。 说下我的实现过程,...

    最近看群里好多小伙伴问cesium和mapV以及echarts的结合,mapV的结合暂时还不想放出来,先把和Echarts的结合的原理说下,后续会放出代码;经过修改,我叠加的echarts已经不会显得飘在地球上方

    说下我的实现过程,我是通过在地图上叠加了一个全屏的div,然后在div里渲染Echarts的,这样做会导致当对地图进行操作时,会有一个延迟,显得体验不好。我的做法和其他人的做法有个共同的缺陷,就是形成的Echarts图中的图例是没法点击的,之前研究了一下,如果屏蔽了地图还是echarts的事件是可以达到点击图例的效果,但是这样cesium和echarts的结合又会出问题,后来有其他的事情,就没有再研究,回头抽时间再看下吧;

    现在说下针对结合要怎么对echarts进行修改。echarts是自带map的,这给和cesium的结合提供了机会,可以通过更改echarts的注册坐标系统来达到和cesium统一的目的,从而使得结合能够成功。当你正确地注册了echarts的坐标系统之后,还会遇到一个问题,就是当地球转到背面时,echarts的图形并不会消失,针对这个处理,可以参见我前面的气泡窗进行处理

     

    后续放出代码!

    如果有需要也可以联系我:q 951973194

    展开全文
  • C语言之优先级、结合自增运算

    千次阅读 2016-08-18 21:08:53
    优先级、结合性这些概念在初学的时候并没有放在心上,今天又碰到这个问题,查了不少资料,再次做个总结。   在标准C语言的文档里,对操作符的结合性并没有做出非常清楚的解释。一个满分的回答是:它是仲裁者,在...

         优先级、结合性这些概念在初学的时候并没有放在心上,今天又碰到这个问题,查了不少资料,再次做个总结。

     

    在标准C语言的文档里,对操作符的结合性并没有做出非常清楚的解释。一个满分的回答是:它是仲裁者,在几个操作符具有相同的优先级时决定先执行哪一个。

    每个操作符拥有某一级别的优先级,同时也拥有左结合性或右结合性。优先级决定一个不含括号的表达式中操作数之间的“紧密”程度。例如,在表达式a*b+c中,乘法运算的优先级高于加法运算符的优先级,所以先执行乘法a*b,而不是加法b+c。

    但是,许多操作符的优先级都是相同的。这时,操作符的结合性就开始发挥作用了。在表达式中如果有几个优先级相同的操作符,结合性就起仲裁的作用,由它决定哪个操作符先执行。像下面这个表达式:

    int a,b=1,c=2;

    a=b=c;

    我们发现,这个表达式只有赋值符,这样优先级就无法帮助我们决定哪个操作先执行,是先执行b=c呢?还是先执行a=b。如果按前者,a=结果为2,如果按后者,a的结果为1。

    所有的赋值符(包括复合赋值)都具有右结合性,就是在表达式中最右边的操作最先执行,然后从右到左依次执行。这样,c先赋值给b,然后b在赋值给a,最终a的值是2。类似地,具有左结合性的操作符(如位操作符“&”和“|”)则是从左至右依次执行。

    结合性只用于表达式中出现两个以上相同优先级的操作符的情况,用于消除歧义。事实上你会注意到所有优先级相同的操作符,它们的结合性也相同。这是必须如此的,否则结合性依然无法消除歧义,如果在计算表达式的值时需要考虑结合性,那么最好把这个表达式一分为二或者使用括号。

    例:

    a=b+c+d

    =是右结合的,所以先计算(b+c+d),然后再赋值给a

    +是左结合的,所以先计算(b+c),然后再计算(b+c)+d

    C语言中具有右结合性的运算符包括所有单目运算符以及赋值运算符(=)和条件运算符。其它都是左结合性

    在C语言中有少数运算符在C语言标准中是有规定表达式求值的顺序的:

    1:&& 和 || 规定从左到右求值,并且在能确定整个表达式的值的时候就会停止,也就是常说的短路。

    2:条件表达式的求值顺序是这样规定的:

    test ? exp1 : exp2;

    条件测试部分test非零,表达式exp1被求值,否则表达式exp2被求值,并且保证exp1和exp2两者之中只有一个被求值。

    3:逗号运算符的求值顺序是从左到右顺序求值,并且整个表达式的值等于最后一个表达式的值,注意逗号','还可以作为函数参数的分隔符,变量定义的分隔符等,这时候表达式的求值顺序是没有规定的!

    判断表达式计算顺序时,先按优先级高的先计算,优先级低的后计算,当优先级相同时再按结合性,或从左至右顺序计算,或从右至左顺序计算。

    说完了优先级和结合性,下面说说自增运算符++ 

    首先明白自增运算符的两种使用情况

    (1)、单独使用:i++;或者++1;这种情况下两者是没有区别的,i的值都会增加1;

    (2)、在表达式中使用:a = i++;此时先取i的值赋给a,然后i的值自增,相当于a = i;i=i+1

           a = ++i;此时先让i自增,然后将自增后的值赋给a,相当于i = i + 1;a = i

     

    明白了自增的这两种情况,然后再来看看自增和结合性的混合情况:*p++ (*p)++ *(p++)三者的区别

    对于*p++,首先*和++的优先级相同,然后看他们的结合性;由于优先级相同,那么他们的结合性必然也相同,都是右结合(从右至左)。

    那么*p++ 就相当于*(p++),即根据右结合,p与++先结合形成(p++),然后再与*结合。

    需要注意的一点(本文想着重说明的一点):虽然*(p++)中,p++被放在了括号内,此时应根据自增运算符++的两种情况来考虑(而不需要考虑结合性了,此时与结合性已经无关),显然这是上述的第二种情况,即在表达式中使用自增。所以是先取p的值与*结合,然后p值再自增,相当于*p,p++;千万不要被括号迷惑,认为括号中的东西先运算。

    明白了上面一点,则对于*(++p)就很好理解,p先自增,然后与*结合。

     

    对于下面的例子也不难理解:
     例一:
    	char q[5] = "am";
            char *p = q;
    	char q[5] = "am";
            char *p = q;
    	那么,
        (1)
    	(*p)++后,p就变成了"bm";因为是进行对其首元素进行加1运算
    	*(p++)后,p就变成了"m",因为完成取值运算后,p++指向下一个元素,即m,
    	*p++与*(p++)一样。
        (2)
    	如果只是针对这3个语句赋值给其他变量的话,3个的结果都是a,在这里: 
    	char o = (*p)++;
    	char m = *(p++);
    	char n = *p++;
    	都是a。

    例二:

     

    int i = 0,a,b;

    a = (i++)+(i++)+(i++);

    b = (++i)+(++i)+(++i);

    cout<<a<<b<<i<<endl;

    输出结果(gcc编译器):0 16 6

    解释:这里特别注明是gcc编译器,在其他编译器下的值可能不同。

    对于int a=(i++)+(i++)+(i++);先取出i值进行加运算,然后再执行i的三次自增; 在其他编译器下(如tc3.0),可能是0+1+2=3;

    对于int b=(++i)+(++i)+(++i);每次i先自增,然后参与运算,所以是4+5+6=16.

     

    展开全文
  • 熵值法TOPSIS法以及两者结合

    万次阅读 多人点赞 2020-05-03 11:21:13
    熵值法的主要目的是对指标体系进行赋权,而TOPSIS则是通过逼近理想解的程度来评估各个样本的优劣等级。 一、熵值法 二、TOPSIS法 三、熵值法TOPSIS法结合 ...

    补充:TOPSIS法(优劣解距离法)介绍及 python3 实现

    一、熵值法

    熵值法的主要目的是对指标体系进行赋权

    熵越大说明系统越混乱,携带的信息越少,权重越小;熵越小说明系统越有序,携带的信息越多,权重越大。

    熵值法是一种客观赋权方法,借鉴了信息熵思想,它通过计算指标的信息熵,根据指标的相对变化程度对系统整体的影响来决定指标的权重,即根据各个指标标志值的差异程度来进行赋权,从而得出各个指标相应的权重,相对变化程度大的指标具有较大的权重。

    步骤

    (1)原始数据的收集与整理

    假设有m个待评价样本,n项评价指标,形成原始指标数据矩阵:
    X = ( x 11 . . . x 1 n ⋮ ⋱ ⋮ x m 1 ⋯ x m n ) X=\left( \begin{matrix} x_{11}& ...& x_{1n}\\ \vdots& \ddots& \vdots\\ x_{m1}& \cdots& x_{mn}\\ \end{matrix} \right) X=x11xm1...x1nxmn
    其中 X i j X_{ij} Xij 表示第 i 个样本第 j 项评价指标的数值。

    对于某项指标 X j X_j Xj,样本的离散程度越大,则该指标在综合评价中所起的作用就越大。如果该指标的标志值全部相等,则表示该指标在综合评价中不起作用。

    例如:

    语文数学英语音乐
    张三50448590
    李四33742078
    王五46388810
    陈六65459851
    杨七13651245

    或者

    GDP就业人数财政支出人均可支配收入
    北京xxxxxxxx
    上海xxxxxxxx
    广州xxxxxxxx
    深圳xxxxxxxx

    (2)数据处理

    为消除因量纲不同对评价结果的影响,需要对各指标进行归一化或者标准化处理。

    归一化处理:

    若所用指标的值越大越好(正向指标:)
    x i j ′ = x j − x min ⁡ x max ⁡ − x min ⁡ x'_{ij}=\frac{x_j-x_{\min}}{x_{\max}-x_{\min}} xij=xmaxxminxjxmin
    若所用指标的值越小越好(负向指标:)
    x i j ′ = x max ⁡ − x j x max ⁡ − x min ⁡ x'_{ij}=\frac{x_{\max}-x_j}{x_{\max}-x_{\min}} xij=xmaxxminxmaxxj

    其中 x j x_j xj为第 j 项指标值, x m a x x_{max} xmax为第 j 项指标的最大值, x m i n x_{min} xmin为第 j 项指标的最小值。

    或者标准化处理:
    x i j ′ = x i j − x ˉ j S j x'_{ij}=\frac{x_{ij}-\bar{x}_j}{S_j} xij=Sjxijxˉj

    (3)计算比重

    计算第 j 个指标中,第 i 个样本标志值的比重:
    p i j = x i j ∑ i m x i j        , 0 ≤ p i j ≤ 1 p_{ij}=\frac{x_{ij}}{\sum_i^m{x_{ij}}}\,\,\,\,\,\,\text{,}0\le p_{ij}\le 1 pij=imxijxij0pij1
    此,可以建立数据的比重矩阵
    P = ( p 11 . . . p 1 n ⋮ ⋱ ⋮ p m 1 ⋯ p m n ) P=\left( \begin{matrix} p_{11}& ...& p_{1n}\\ \vdots& \ddots& \vdots\\ p_{m1}& \cdots& p_{mn}\\ \end{matrix} \right) P=p11pm1...p1npmn

    (4) 计算第 j 个指标的熵值

    e j = − k ∑ i m p i j ln ⁡ p i j e_j=-k\sum_i^m{p_{ij}}\ln p_{ij} ej=kimpijlnpij

    其中,常数
    k > 0 , k = 1 ln ⁡ m k>0\text{,}k=\frac{1}{\ln m} k>0k=lnm1
    保证 0 ≤ e j ≤ 1 0\le e_j\le 1 0ej1,即 e j e_j ej最大为1

    所以,第 j 个指标的熵值为
    e j = − 1 ln ⁡ m ∑ i m p i j ln ⁡ p i j e_j=-\frac{1}{\ln m}\sum_i^m{p_{ij}}\ln p_{ij} ej=lnm1impijlnpij

    (5)定义第 j 个指标的差异程度

    熵值法根据各个指标标志值的差异程度来进行赋权,从而得出各个指标相应的权重

    d j = 1 − e j d_j=1-e_j dj=1ej

    (6)定义权重

    w j = d j ∑ j = 1 n d j w_j=\frac{d_j}{\sum_{j=1}^n{d_j}} wj=j=1ndjdj

    (7)进行综合评价

    F i = ∑ j = 1 n w j p i j F_i=\sum_{j=1}^n{w_jp_{ij}} Fi=j=1nwjpij
    其中 F i F_i Fi第 i 个待评价样本的综合评价值

    语文数学英语音乐综合评价值F
    张三50448590 F 1 F_1 F1
    李四33742078 F 2 F_2 F2
    王五46388810 F 3 F_3 F3
    陈六65459851 F 4 F_4 F4
    杨七13651245 F 5 F_5 F5

    二、TOPSIS法

    TOPSIS是通过逼近理想解的程度来评估各个样本的优劣等级

    TOPSIS法的基本原理

    在归一化后的原始数据矩阵中,找到有限方案中的最优方案和最劣方案,然后分别计算评价对象与最优方案和最劣方案之间的距离,并以此作为依据来评价样本的优劣等级。

    基本步骤

    假设有n个待评价样本,p项评价指标,形成原始指标数据矩阵:
    X = ( x 11 . . . x 1 p ⋮ ⋱ ⋮ x n 1 ⋯ x n p ) X=\left( \begin{matrix} x_{11}& ...& x_{1p}\\ \vdots& \ddots& \vdots\\ x_{n1}& \cdots& x_{np}\\ \end{matrix} \right) X=x11xn1...x1pxnp

    (1)数据预处理

    • .使指标具有同趋势性。评价指标中有正向指标和负向指标之分,一般把负向指标转化为正向指标,转化的方法可采用倒数法(即1/X),多适用于绝对数指标;差值法(即1-X),多适用于相对数指标。转化后的数据矩阵仍记为X。

    • .数据无量纲化.。将原始数据归一化,以消除量纲向量数据归一化的方式:
      z i j = x i j ∑ i x i j 2 z_{ij}=\frac{x_{ij}}{\sqrt{\sum_i^{}{x_{ij}^2}}} zij=ixij2 xij

    最终得到分析数据矩阵
    Z = ( z 11 z 12 ⋯ z 1 p z 21 z 22 ⋯ z 2 p ⋮ ⋮ ⋱ ⋮ z n 1 z n 2 ⋯ z n p ) Z=\left( \begin{matrix} z_{11}& z_{12}& \cdots& z_{1p}\\ z_{21}& z_{22}& \cdots& z_{2p}\\ \vdots& \vdots& \ddots& \vdots\\ z_{n1}& z_{n2}& \cdots& z_{np}\\ \end{matrix} \right) Z=z11z21zn1z12z22zn2z1pz2pznp

    (2)寻找最优值和最劣值

    找出各项指标的最优值和最劣值,建立最优值向量 z + z^+ z+和最劣值向量 z − z^- z
    z + = max ⁡ n    j ( z 1 + , z 2 + , ⋯   , z p + ) z^+=\underset{n\ \ j}{\max}\left( z_1^+,z_2^+,\cdots ,z_p^+ \right) z+=n  jmax(z1+,z2+,,zp+)
    z − = min ⁡ n    j ( z 1 − , z 2 − , ⋯   , z p − ) z^-=\underset{n\ \ j}{\min}\left( z_1^-,z_2^-,\cdots ,z_p^- \right) z=n  jmin(z1,z2,,zp)

    (3)计算各个评价对象与最优值和最劣值之间的距离

    D i + = ∑ j ( z i j − z j + ) 2 D_i^+=\sqrt{\sum_j^{}{\left( z_{ij}-z_j^+ \right) ^2}} Di+=j(zijzj+)2
    D i − = ∑ j ( z i j − z j − ) 2 D_i^-=\sqrt{\sum_j^{}{\left( z_{ij}-z_j^- \right) ^2}} Di=j(zijzj)2

    (4)计算各个评价指标与最优值的相对接近度

    C i = D i − D i + + D i − C_i=\frac{D_i^-}{D_i^++D_i^-} Ci=Di++DiDi

    (5)排序

    根据 C i C_i Ci的大小进行排序, C i C_i Ci越大,表明评价对象越接近最优值。

    三、熵值法 + TOPSIS法

    .
    可以结合熵值法 和 TOPSIS法各自的特点,进行评价。

    假设有n个待评价样本,p项评价指标,形成原始指标数据矩阵:
    X = ( x 11 . . . x 1 p ⋮ ⋱ ⋮ x n 1 ⋯ x n p ) X=\left( \begin{matrix} x_{11}& ...& x_{1p}\\ \vdots& \ddots& \vdots\\ x_{n1}& \cdots& x_{np}\\ \end{matrix} \right) X=x11xn1...x1pxnp

    其中 X i j X_{ij} Xij 表示第 i 个样本第 j 项评价指标的数值。

    (1)求比值

    p i j = x i j ∑ i = 1 n x i j p_{ij}=\frac{x_{ij}}{\sum_{i=1}^n{x_{ij}}} pij=i=1nxijxij

    (2)求熵值

    e j = − 1 ln ⁡ n ∑ i = 1 n p i j ln ⁡ p i j   , e j ∈ [ 0 , 1 ] e_j=-\frac{1}{\ln n}\sum_{i=1}^n{p_{ij}\ln p_{ij}}\ \ \text{,}e_j\in \left[ 0,1 \right] ej=lnn1i=1npijlnpij  ej[0,1]

    (3)信息冗余值

    d j = 1 − e j d_j=1-e_j dj=1ej

    (4)定权

    w j = d j ∑ j = 1 p d j w_j=\frac{d_j}{\sum_{j=1}^p{d_j}} wj=j=1pdjdj

    (5)归一化 (向量标准化)

    z i j = x i j ∑ i = 1 n x i j 2 z_{ij}=\frac{x_{ij}}{\sqrt{\sum_{i=1}^n{x_{ij}^2}}} zij=i=1nxij2 xij

    (6)构造加权矩阵

    z i j ∗ = z i j ⋅ w j z_{ij}^*=z_{ij}\cdot w_j zij=zijwj

    得到加权矩阵
    Z ∗ = [ z 11 ⋅ w 1 z 12 ⋅ w 2 ⋯ z 1 p ⋅ w p z 21 ⋅ w 1 z 22 ⋅ w 2 ⋯ z 2 p ⋅ w p ⋮ ⋮ ⋱ ⋮ z n 1 ⋅ w 1 z n 2 ⋅ w 2 ⋯ z n p ⋅ w p ] Z^*=\left[ \begin{matrix} z_{11}\cdot w_1& z_{12}\cdot w_2& \cdots& z_{1p}\cdot w_p\\ z_{21}\cdot w_1& z_{22}\cdot w_2& \cdots& z_{2p}\cdot w_p\\ \vdots& \vdots& \ddots& \vdots\\ z_{n1}\cdot w_1& z_{n2}\cdot w_2& \cdots& z_{np}\cdot w_p\\ \end{matrix} \right] Z=z11w1z21w1zn1w1z12w2z22w2zn2w2z1pwpz2pwpznpwp

    (7)寻找最优、最劣方案

    { z i j ∗ + = max ⁡ n , p ( z 1 ∗ + , z 2 ∗ + , ⋯   , z p ∗ + ) z i j ∗ − = min ⁡ n , p ( z 1 ∗ − , z 2 ∗ − , ⋯   , z p ∗ − ) \left\{ \begin{array}{l} z_{ij}^{*+}=\underset{n,p}{\max}\left( z_1^{*+},z_2^{*+},\cdots ,z_p^{*+} \right)\\ \\ z_{ij}^{*-}=\underset{n,p}{\min}\left( z_1^{*-},z_2^{*-},\cdots ,z_p^{*-} \right)\\ \end{array} \right. zij+=n,pmax(z1+,z2+,,zp+)zij=n,pmin(z1,z2,,zp)

    (8)最优、最劣距离

    D i + = ∑ j ( z i j ∗ − z j ∗ + ) 2 D_i^+=\sqrt{\sum_j^{}{\left( z_{ij}^*-z_j^{*+} \right) ^2}} Di+=j(zijzj+)2
    D i − = ∑ j ( z i j ∗ − z j ∗ − ) 2 D_i^-=\sqrt{\sum_j^{}{\left( z_{ij}^*-z_j^{*-} \right) ^2}} Di=j(zijzj)2

    (9)构造相对接近度

    C i = D i − D i + + D i − C_i=\frac{D_i^-}{D_i^++D_i^-} Ci=Di++DiDi

    (10)排序

    根据 C i C_i Ci的大小进行排序, C i C_i Ci越大,表明评价对象越接近最优值。

    展开全文
  • 本文将带大家使用免费开源的PyMOL软件绘制D715-2441蛋白与与PB2cap配体分子的结合模式图。 我们先来看一张成品图: 研究背景 根据分析结果,我们获得以下相互作用: 1、化合物D715-2441的芳环夹在氨基酸残基H357...

    更好的阅读体验:使用PyMOL绘制蛋白与配体分子结合模式图

    摘要

    本文将带大家使用免费开源的PyMOL软件绘制D715-2441蛋白与与PB2cap配体分子的结合模式图。

    我们先来看一张成品图:
    在这里插入图片描述

    研究背景

    根据分析结果,我们获得以下相互作用:

    1、化合物D715-2441的芳环夹在氨基酸残基H357和F404之间并形成π-π堆积作用,还与F404形成疏水作用;

    2、化合物苯环上的羟基与E361的羧基和K376的N+原子形成氢键作用,另一个羟基与F404的O原子形成氢键作用;

    3、化合物吡喃酮环酯基与K339的N+原子和H357的咪唑基形成盐桥作用。

    操作步骤

    PyMOL作图通常是对特定对象进行展示形式、颜色、字体等方面的修饰。PyMOL的精髓在于命令行与鼠标的配合使用,本文高度依赖命令行,请做好心理准备。大多数命令格式较为一致,请注意总结归纳。

    PyMOL作图
    1 设定工作目录,打开文件
    打开PyMOL软件,导入刚才下载的复合物PDB文件(rli-D715-2441-1.pdb)。

    注意:有两种方法导入文件,一种是鼠标点击菜单栏File -> Open…,另一种是通过命令行。在这里,我们采用命令来操作,因为这样可以同时把工作目录设置好,方便后续保存文件。

    假设我们的工作目录为D:\demo。注意:路径中不要有中文和空格,这是导致很多计算类软件(尤其是免费软件)出现问题的原因。

    在PyMOL上界面或下界面的命令输入框输入以下命令(PyMOL>表示这是PyMOL的命令),每行输入完毕后按【Enter】键:
    在这里插入图片描述在这里插入图片描述
    2 设置操作对象

    结合模式图通常涉及到受体(蛋白)与配体(小分子化合物)两部分(有的还可能涉及水分子、金属离子、辅酶;等等),需为之分别设置对象,以便后续操作。设置配体对象:按照下图顺序,将配体设置为lig对象。在这里插入图片描述
    3 设置关键残基对象

    关键残基包括:A链的K339、H357、E361、K376和F404。由于该蛋白只有一条链,在使用命令选择残基时,可以不用指定链名。按照下图顺序,将关键残基设置为res对象。
    在这里插入图片描述
    4 显示所需,隐藏多余
    在PyMOL中输入以下命令:
    在这里插入图片描述
    然后,进行鼠标操作:
    在这里插入图片描述
    5 绘制相互作用力
    前面说过,命令行和鼠标的配合是很重要的。这里再简单讲讲鼠标的几个操作用法:

    A) 拖动鼠标左键:按住右键,任意方向拖动鼠标,使视图转动;

    B) 上下拖动鼠标右键:按住右键,上下拖动鼠标,使视图缩放;

    C) 拖动鼠标中间滚轮:按住滚轮,任意方向拖动鼠标,使视图移动;

    D)滚动鼠标中间滚轮:拉进或拉远镜头,使近处原子逐渐显示或隐藏。

    我们参照平台给出的结合模式图(本文第二张图),通过下面的键鼠操作来绘制相互作用力。

    · 绘制π-π堆积与盐桥作用

    首先,确保鼠标模式(Mouse Mode)为Viewing状态,选择(Selecting)模式为Atoms状态(位置在PyMOL右下方)。然后,按照下面步骤操作:在这里插入图片描述然后,点击PyMOL菜单栏的Wizard -> Measurement,然后根据示意图点击刚才创建的小球,两两一组,便画出虚线(相应地,生成对象measure01~05)。在这里插入图片描述
    · 绘制其他作用力

    采用相同的办法,把氢键和疏水作用也画出来。由于这些作用力的两端刚好落在原子上,因此,不用绘制小球。
    在这里插入图片描述
    6 最后加工
    为方便调整,也为图片规格符合要求(通常,出版社要求全版图片宽度≤2000像素,半版图片宽度≤1000像素,分辨率≥300 dpi),我们将PyMOL界面放大或靠边最大化,并将上半部分的对话框往上拉到最小,让视图最大。然后放大、摆动视图至合适的角度,使尽可能清晰地看到各关键细节。

    基本的创建工作已经完成,接下来进行细致的修饰。
    在这里插入图片描述我们还可按下图步骤微调cartoon样式:
    在这里插入图片描述
    还可移动label的位置(设置Mouse Mode为Editing模式后,按住Ctrl键,用鼠标左键或右键拖动label;必要时,可先将cartoo隐藏起来,等调整好label后,再显示出来),让视图更清晰。经过上述一系列操作,得到下图:
    在这里插入图片描述
    7 生成图片
    上面的图已经可以发表文章了,但为了更好看,还需要进行一步:光线追踪(Ray tracing)。

    继续使用命令:
    在这里插入图片描述
    至此,我们拿到3张图片:focus.png、label.png和overview.png。

    说明

    本文由 生化环材摘编自 高质量PyMOL作图教程,遵循 CC 4.0 BY-SA 版权协议
    展开全文
  • ERP全面预算管理如何结合

    千次阅读 2018-04-21 10:22:56
    财务活动是全面预算管理ERP系统的交叉结合部分,二者的融合可以通过财务部门为核心向企业的其他部门扩散,从而形成在企业整体层面上的融合,以产生最大的整合效应。企业的主要目标是盈利。为达到这个目标需要通过...
  • 信息孤岛的形成与治理

    万次阅读 2019-07-24 09:28:34
    很多人认为信息孤岛只是一个形容词,用来形容企业信息化问题的其中一种现象,却没有人深究到底什么是信息孤岛、它是如何产生及治理的,今天就来深入讨论下信息孤岛的形成与治理。 何为孤岛 检索信息孤岛给出的...
  • 波束形成

    千次阅读 多人点赞 2019-05-08 15:11:31
    波束形成的目的,是使多阵元构成...结合下面另一个程序 希望对大家学习波束形成有所帮助 模拟平面波入射和平面波方向识别过程 clear all;clc;close all; %% 初始化 d=0.5;%阵间距 N=100;%传感器数量 l=d*(N-1);%阵长...
  • p-n结原理1:p-n结的形成

    千次阅读 2012-10-31 15:42:03
    p-n结原理1:p-n结的形成带  2012-05-22 11:52:31| 分类:微电子器件 | 标签:半导体 pn结 晶体管 势垒 带 |字号大中小 订阅 Xie Meng-xian. (电子科大,成都市)   p-n结基本概念是解决...
  • Hystrix 产生背景  在微服务架构中,我们将系统拆分成了很多服务单元,各单元的应用间通过服务注册 订阅的方式互相依赖。由于每个单元都在不同的...最后就会因 等待出现故障的依赖方响应形成任务积压,最终导致...
  • 3. 数学建模活动正是数学思维编程思维的完美结合。 数学建模能力树 通过数学建模能力树模型可以看到,数学建模需要数学思维能力、编程思维能力和写作表达能力。参加数学建模活动不仅增强这些能力,而且参加数学...
  • 麦克风阵列波束形成

    万次阅读 多人点赞 2017-07-22 10:00:20
    波束形成beamforming 体现的是声源信号的空域选择性,许多传统波束形成方法具有线性处理结构;波束形成需要考虑三个方面: 1.麦克风阵列个数;2.性能; 3.鲁棒性 在麦克风较少时,波束形成的空域选择性差,当...
  • 上两篇博文给大家分别介绍了在火焰检测中常用的两种颜色判据——RGB判据和HSI判据,这一篇博文给大家展示一下它们... 首先,我们尝试一下简单地用上两篇介绍的判据分别提取出来的区域进行运算,看看效果有没有改善。
  • 需求场景:最近公司做了一个小游戏想通过小游戏来吸一波粉丝到指定的订阅号,类似关注公众号后领取100钻石。(模仿微信爱微游,疯狂游乐场)游戏有用户系统(根据openid记录每...才能进行游戏,这样不利于一个链接就
  • 再谈反病毒领域工程化技术科学方法的结合 ——一次谈话记录的整理 江海客 (在某高校信安专业教师交流某次大学生信安大赛作品情况、和反病毒领域的人才培养等,当时讲的可能是语无伦次,感谢同事Emma进行录音...
  • 链路捆绑端口聚合链路捆绑端口聚合原理介绍链路聚合组和链路聚合接口:成员接口和成员链路:活动接口和非活动接口、活动链路和非活动链路:链路接口最大链路活动值:链路接口最小链路活动值:链路捆绑端口...
  • 本次实验也是想通过使用这个数据集来测试卷积网络支持向量机相结合的效果,数据集本生并没有特殊的意义。 卷积网络是神经网路家族一个长老级的存在,在视觉,图像等领域都有广泛的应用,其本身价值在于通过卷积...
  • 每一个企业级的人 都置顶了 中国软件网 中国软件网 为你带来最新鲜的...在某些特定情况下,“啤酒”“尿布”两件看上去毫无关联的商品经常会一同出现在购物篮中,这一销售现象引起了美国沃尔玛超市管理人员的注意。
  • 多特征结合方法总结

    万次阅读 2014-03-24 14:58:24
    在实际操作中,我们会经常发现我们会将不同的特征结合起来共同使用。比如对于视频领域的Mo-SIFT特征其实就是将SIFT特征和光流特征结合而来。再比如对于人脸识别,我们很可能会将块纹理特征(和LBP、Haar)和梯度直方...
  • 结合自由能的计算

    千次阅读 2013-01-06 13:50:07
    许多药物和其它生物分子的活性都是通过受体大分子之间的相互作用表现出来的,所以受体和配体之间结合自由能(binding afinity)评价是基于结构的计算机辅助药物分子设计的核心问题。精确的自由能预测方法能够大大...
  • 卷积神经网络CNN原理——结合实例matlab实现

    万次阅读 多人点赞 2016-10-22 21:32:00
    卷积神经网络CNN是深度学习的...由于大多高校在校生使用matlab比较多,而网上的教程代码基本都基于caffe框架或者python,对于新入门的同学来说甚是煎熬,所以本文采用matlab结合MNIst手写数据库完成对手写数字的识别。
  • nginx反向代理以及动静结合

    千次阅读 2016-11-08 13:23:27
    反向代理后端有多台服务器,就会形成负载均衡
  • 空间电荷区形成原理

    千次阅读 2019-09-28 02:12:45
    大二学的模电,现在又拿起来,感叹自己学的实在太差,所以结合一些资料开始总结笔记 pn结和空间电荷区还是有区别的。这里说点题外话 浓度差导致扩散运动,而空间电荷区内电场会导致漂移运动 当参与扩散运动和漂移...
  • [Vue五]:vue和echarts结合,echarts图表自适应问题

    千次阅读 多人点赞 2019-09-01 13:21:33
    [Vue五]:vue和echarts结合,echarts图表自适应问题
  • html+JS生成二维码并另外一张图片合并,形成一张带二维码新图片 跪求html+JS代码!!!!!!! 一个输入框输入网址,用以输入字符生成二维码 一个本地图片img 点击生成二维码后本地图片在右下角合成...
  • 卷积网络循环网络结合-CNN+RNN 1. CNN+RNN 相同点 都是传统神经网络的扩展; 前向计算产生结果,反向计算进行模型的更新; 每层神经网络横向可以多个神经元共存,纵向可以有多层神经网络连接。 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 365,129
精华内容 146,051
关键字:

形成能与结合能