1.Wind River产品与服务
2.流体颗粒耦合（CFD-DEM）求解器 sediFoam 简介和安装步骤
3.曳力在CFD-DEM流体动量方程中的码解处理 （以MFiX和OpenFOAM为例）
4.深度语义匹配模型DSSM及其变体CNN-DSSM, LSTM-DSSM
Wind River产品与服务
Wind River公司为了适应设备软件优化策略（DSO），采用了双操作系统（Vxworks & Linux）的码解解决方案。Workbench作为强大的码解集成开发环境，适用于多种目标机OS平台，码解包括Bootloader的码解开发、BSP/Driver的码解c prg游戏源码开发、上层应用程序的码解开发、测试和生产，码解直至产品的码解售后服务，贯穿产品生命周期的码解全过程。
GPP-LE产品集成了WindRiver验证过的码解开源软件，包括2.6内核和应用程序，码解以及相关补丁包。码解该产品还带有针对当前主流处理器体系结构的码解交叉编译工具链，使得用户能够编译出在目标机上运行的码解代码。
PNE-LE产品遵循OSDL CGL工作组的CGL specification V2.0，集成了超过个网络应用程序包和其他应用程序包。它以稳定的、验证过的Linux-2.6.作为内核。
PCD-LE产品具备动态电源管理技术（DPM）、基于FLASH的鲁棒文件系统（cramfs）、快速的系统启动时间以及较小的内核footprint。最小系统资源需求为k的flash和k的RAM。
Workbench作为开发工具，采用了基于Eclipse开放标准架构，卡卡云模板源码可以方便集成第三方插件。支持多种目标机操作系统，如Linux、Vxworks、ThreadX等，覆盖硬件板子调试、BSP/Driver开发、应用软件开发和产品测试等全生命周期阶段。支持多种架构的目标机处理器，包括ARM、XScale、MIPS、PPC和X等。Workbench还支持源代码的静态符号解析，允许用户进行交叉代码浏览。
Workbench演示展示了其强大的功能和易用性，为开发者提供了高效的工作流程和丰富的资源。
流体颗粒耦合（CFD-DEM）求解器 sediFoam 简介和安装步骤
<sediFoam是由弗吉尼亚理工学院肖恒团队开发的，它在OpenFOAM框架内实现了流体动力学（CFD）和颗粒动力学（DEM）的耦合，其在学术界和工程界获得一定认可。相较于OpenFOAM自带的欧拉-拉格朗日耦合求解器，如MPPICFoam和DPMFoam，sediFoam更擅长处理颗粒间复杂的相互作用，特别是逃跑吧少年cpp源码考虑颗粒形状、尺寸及颗粒间化学反应的模拟。离散单元法（DEM）是稠密颗粒流体模拟的优选方法，它能够精确解析颗粒间的相互作用力。
sediFoam的核心在于使用LAMMPS软件处理颗粒间的相互作用，并结合OpenFOAM模拟流体运动。它自主研发了拖曳力模型和湍流模型，专门用于处理颗粒与流体的交互过程，提高模拟的精度和效率。
安装和编译sediFoam大致分为三个步骤：
1. **安装OpenFOAM**：sediFoam基于OpenFOAM 2.4.0版本构建，因此，建议使用此版本以确保最佳兼容性和功能支持。然而，要注意OpenFOAM 2.4.0与Ubuntu .自带的GCC不兼容，这需要对部分源代码进行修改。幸运的是，开发者Henry已确认不再在2.4.x版本中修复bug，并转至3.0版本。然而，通过访问openfoamwiki（openfoamwiki.net/index....）上的相关修正方法，可以顺利编译好OpenFOAM。
2. **安装LAMMPS**：选择特定版本，如lammps-1Feb，以确保与sediFoam的兼容性。按照sediFoam开发者提供的朗读引擎url源码大全配置文件进行编译设置，这一步骤的细节可在xiaoh/sediFoam中找到。
3. **编译sediFoam**：在完成上述步骤后，按照xiaoh/sediFoam的指引编译动态链接库和lammpsFoam。最后，通过执行lammpsFoam -help命令验证编译是否成功。
值得注意的是，sediFoam的官方文档可能不够详尽，因此，遇到编译问题时，欢迎在评论区寻求帮助、提问或通过私信与开发者交流。
总之，sediFoam提供了一种先进的CFD-DEM耦合解决方案，尤其适用于复杂颗粒流体模拟。遵循上述步骤，结合社区支持和文档资源，能够成功安装并使用该软件，解决特定的工程和科研问题。
曳力在CFD-DEM流体动量方程中的处理 （以MFiX和OpenFOAM为例）
曳力在CFD-DEM流体动量方程中的处理涉及多个方面。首先，右侧曳力Ug使用n+1时刻的值时采用半隐式方法，这种方法在动量方程中表现出良好的稳定性。然而，如果使用n时刻的一米招聘源码Ug进行显式处理，整个曳力作为源项可能会对稳定性产生不利影响。
在MFiX文档中，所谓的显式耦合是指描述粒子曳力的方法。粒子在单个CFD时间步长内会经历多个时间步。这种显式耦合意味着曳力在单个CFD时间步长内不会被重新计算。
从我的理解来看，半隐式处理意味着在方程中的曳力项中，使用un+1的气体速度来隐式计算曳力，而不是显式地使用un。我相信这种数值处理已经在开源软件中实现了。
以下是在OpenFOAM和MFiX中的实现方式：
MFiX：请参阅文件中的方程
链接：mfix.netl.doe.gov/doc/m...
同时，您也可以查看源代码，其中曳力项被分为与气体速度相关的隐式部分（A_M）和与粒子速度相关的显式部分（B_M）。
1) 文件：solve_vel_star.f
2) 文件：gas_drag.f
3) 文件：drag_gs_des1.f
OpenFOAM：我没有找到DPMFoam实现的文档，但源代码表明它对曳力采用了半隐式处理，请参见突出显示的代码。Uc是气体速度，UCoeff()是曳力系数b，UTrans()是粒子对气体的曳力。因此，在SU函数的第行：
UTrans() - fvm:Sp(UCoeff(), U) + UCoeff()*U
可以简化为：
b(Up-Ug) - fvm:Sp(b,Ug) + bUg
简化后的表达式为：
bUp - fvm:Sp(b,Ug)
fvm::Sp使得源项隐式化，从而对对角线有贡献。
深度语义匹配模型DSSM及其变体CNN-DSSM, LSTM-DSSM
在研究推荐和排序算法的过程中，DSSM（深度结构语义模型）是不可或缺的一部分。本文将详细介绍DSSM及其变体CNN-DSSM和LSTM-DSSM。
论文链接：microsoft.com/en-us/res...
源码：github.com/baharefatemi...
简介
现代搜索引擎在检索文章时，通常将文章中的关键字与query中的内容进行比较。然而，这种做法存在一个问题，即文字具有多义性，同样的含义可以用多种表达方式进行表达。因此，我们需要对query和document进行语义上的相似度匹配。
通常，我们会使用隐语义模型LSA、LDA来衡量Query和Document之间的相似性。然而，由于LSA、LDA是无监督学习的模型，这些模型的效果并不符合预期。基于隐语义模型，有两种扩展：第一种是使用BLTM结合DPM来拟合query和document之间的关系，另一种方法是采用深度模型对query和document进行自编码，但这两种方法都是无监督的方法。
本文针对搜索场景，提出了一系列深度网络语义模型（Deep Structured Semantic Models），模型的核心思想是：首先将query和document映射到同一个低维语义空间，然后通过cosine来计算query和document之间的距离。与之前的无监督学习模型不同，DSSM使用document的点击量进行训练，因此DSSM的效果要优于其他无监督模型。
接下来，我们来看看DSSM是如何对query和document进行处理的。
DSSM的结构采用DNN结构，将输入的query和document转换到低维的语义空间，然后计算他们的cosine相似度。
语义特征计算部分，首先使用DNN网络将query和document从高维的空间转换到低维的空间。对输入的query和document假设他们是x，经过转换的向量为y，[公式]表示隐藏层，[公式]分别表示隐藏层的参数和偏置。
最后一层采用tanh函数作为激活函数。最后将query和document映射到低维向量之后，我们采用cosine计算他们的相似度。
为了解决query和document在第一层维度非常大的问题，本文提出了word hashing的方法，来对文本进行降维。做法就是使用n-gram来表示一个词语，例如good，我们把它拆分成trigram：go goo ood od。
为了训练DSSM，我们需要得到query和他们对应的点击的document。作者假设如果用户点击了某个document，那么这个query和document就是相关的。因此，作者认为DSSM的目标是最大化给定query所对应的document的条件似然函数。条件似然函数的计算方式为：[公式]。其中，[公式]是平滑参数，D是针对query的所有可能相关的document集合，[公式]表示和query有关的且用户点击的document。
有了以上的介绍，我们所要最大化的条件似然函数就是[公式]。因此，loss函数就是：[公式]。文中作者采用梯度下降法来最大化loss函数。
作者收集了现实生活中用户搜索的日志作为实验的数据集，这份数据包含条用户query，平均每条query包含条url。每一个(query, document)的相关性分为5档，分别是0~4分，得分是人工评价的。模型的排序效果通过NDCG来衡量，这是推荐系统常见的评价指标，具体就是评价推荐给用户的内容是否是用户感兴趣的，而用户的阅读习惯一般是从上到下，所以我们希望将最相关的内容排在前面，然后以此类推。
实验效果如下，其中：首先我们可以看出DSSM的效果优于其他模型，并且L-WH DNN的效果是最好的。
DSSM是搜索里非常经典的一个算法，在工业界也广泛被使用。而且，根据应用场景的不同，对特征处理也会有一些区别。例如，在推荐召回模块的应用中，我们的输入可能就不再是query和doc的word embedding，而是用户和推荐的物品（例如**，商品）的特征。
本文依然是由DSSM的作者提出，在语义特征计算部分采用CNN网络，网络结构如上图所示。在词向量的表达上依然采用了word hash（不知道为啥作者对word hash这么执着）。
不过，trigram表示不能忽略了文本的上下文信息，因此作者在word trigram的基础上增加了letter trigram。在一定的窗口大小内，对该窗口内的word进行拼接就是letter trigram，例如I have an apple，可以被拼接为 # I have, I have an, ... 以此类推。
然后以上表示经过卷积层，max-pooling，和全连接之后得到query和doc的低维向量。最后计算相似度的时候还是cosine距离。
本文针对CNN-DSSM无法捕捉长文本的上下文信息的缺点，引入了LSTM。同时在LSTM的cell中加入了peehole，LSTM的cell结构如上图所示。
与传统的LSTM不同，作者在遗忘门、输入门、输出门中都考虑了[公式]，总体来说考虑的信息更丰富。
