معرفی شرکت ها

MCRLLM-0.1.2

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.1.2
0.1.1
0.0.9
0.0.8
0.1.2
0.1.1
0.0.9
0.0.8

توضیحات

MCRLLM: Multivariate Curve Resolution by Log-Likelihood Maximization
ویژگی مقدار
سیستم عامل OS Independent
نام فایل MCRLLM-0.1.2
نام MCRLLM
نسخه کتابخانه 0.1.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Ryan Gosselin
ایمیل نویسنده ryan.gosselin@usherbrooke.ca
آدرس صفحه اصلی https://www.usherbrooke.ca/gchimiquebiotech/departement/professeurs/ryan-gosselin/
آدرس اینترنتی https://pypi.org/project/MCRLLM/
مجوز -
MCRLLM: Multivariate Curve Resolution by Log-Likelihood Maximization. X = CS where X(nxk): Spectroscopic data where n spectra acquired over k energy levels C(nxa): Composition map based on a MCRLLM components S(axk): Spectra of the a components as computed by MCRLLM # Method first presented in Lavoie F.B., Braidy N. and Gosselin R. (2016) Including Noise Characteristics in MCR to improve Mapping and Component Extraction from Spectral Images, Chemometrics and Intelligent Laboratory Systems, 153, 40-50. # Input data Algorithm is designed to treat 2D data X(nxk) where n spectra acquired over k energy levels. A 3D spectral image X(n1,n2,k) can be reshaped to a 2D matrix X(n1xn2,k) prior to MCRLLM analysis. Composition maps can then be obtained by reshaping C(n1xn2,a) into 2D chemical maps C(n1,n2,a). # Input arguments MCRLLM requires 4 inputs : 1. X data 2. Number of MCRLLM components to compute 3. Method of initialization: 'Kmeans': Kmeans 'NFindr': N-FINDR 'ATGP': Automatic Target Generation Process 'FIPPI': Fast Iterative Pixel Purity Index 4. Number of MCRLLM iterations # Examples Two full examples, along with datasets, are provided in 'Download Files'. Please refer to 'MCRLLM_example.pdf' for full details. - Example 1: 1D spectral linescan of EELS data. - Example 2: 2D spectral image of XPS data. # Compatibility MCRLLM tested on Python 3.7 using the following modules: Numpy 1.17.2 Scipy 1.3.1 Sklearn 0.21.3 Pysptools 0.15.0 Tqdm 4.36.1


نحوه نصب


نصب پکیج whl MCRLLM-0.1.2:

    pip install MCRLLM-0.1.2.whl


نصب پکیج tar.gz MCRLLM-0.1.2:

    pip install MCRLLM-0.1.2.tar.gz