約 20,825 件
https://w.atwiki.jp/okayamasiro/pages/152.html
城主 別名 遺構 歴史 概要 縄張り図 所在地 交通自家用車 公共交通機関 登城口 注意 写真遠景写真 城内写真 登城記録・感想等 居館推定地 近くの観光名所 参考文献 更新日 城主 川田氏 別名 川屋城 遺構 歴史 概要 縄張り図 所在地 倉敷市矢部 より大きな地図で 倉敷市の城跡 を表示 交通 自家用車 公共交通機関 登城口 注意 写真 遠景写真 城内写真 登城記録・感想等 居館推定地 近くの観光名所 参考文献 「日本城郭大系 13」 更新日 2010年04月09日
https://w.atwiki.jp/monamoro/pages/202.html
世界各国の大量破壊兵器開発・保有事情を記述 核兵器 公式保有宣言国 神聖アルティス帝国(推定8000発)ネオ・バベル3号(NS-3021) 核弾頭搭載大陸間弾道ミサイル(第八世代・中性子核弾頭) プルーテウス(TP-3011) 核弾頭搭載大陸間弾道ミサイル(第六世代・中性子核弾頭) 大日本帝國金鵄四号:地対地大陸間弾道ミサイル 大ブリテン及びアイルランド連合王国(推定1000発)トライデントD5:ヴァンガード級原子力潜水艦搭載の潜水艦発射弾道ミサイル WE177核爆弾 アメリカ合衆国(推定1万1000発)ボルトン 核弾頭搭載大陸間弾道弾(第七世代・中性子核弾頭 飛距離1万2000キロメートル) リトルボーイ.Jr クラスター型核爆弾(第八世代・原子爆弾) ランズベリー 投下型爆弾(第六世代・水素爆弾) クレーベル 対軍艦型水中核兵器(第八世代・水素爆弾) ウェスペルタティア王国(本当は連邦王国だが、編集上王国と記載)ペテルギウス:水中発射型中距離弾道弾(第七世代・中性子核弾頭) TYPE-38:自由落下型戦術核 潜在核保有国及び保有の疑いがある国 満州国 インド共和国 生物兵器 毒ガス 神聖アルティス帝国:サリン・VXガス・マスタードガスなどを開発し、第一次世界大戦・第二次世界大戦で枢軸軍を壊滅させた。帝国軍事裁定法の毒ガス禁止に関する条項で毒ガスの使用は事実上凍結されている。
https://w.atwiki.jp/the-man-of-the-creation/pages/52.html
その他の測定法 古地磁気法・考古地磁気法 岩石や焼土(土器)が磁気を帯びていることを利用。 過去の地磁気の変動を時計の文字盤にして、昔の地磁気を記録している土や岩石の残留磁化を時計の針にして年代を測る方法である。 ウラン系列法 天然に存在する放射線核種のうち、ウラン系列中の一次放射線核種(半減期が10億年近くかそれ以上)と、その壊変によって生じる二次放射線核種(半減期が100万年より短い) との放射非平衡関係を利用する年代測定法。 層序法 テフロクロノジー(火山灰編年学) 火山灰を指標として地層や地形さらに考古学的資料などの新旧関係を調べたり、年代を推定する手法。考古学の分野では発掘調査の際の指標層として利用されてきた。 フィッショントラック法 天然鉱物中に含まれるウラン238が僅かな確率で自然に核分裂(フィッション)する際、原子核が分裂のエネルギーにより鉱物中を移動して傷跡(トラック)を残す。 フィッショントラックは熱(アニーリング)あるいは圧力によって消滅する。温度は試料によって異なるがジルコンで約700℃、黒曜石では400-450℃、釉薬では170-230℃でトラックが消滅する。これをタイムゼロイングとし、それ以後に形成されたトラック数から年代を測定する方法。 アミノ酸ラセミ化法 生物を構成しているタンパク質は生命活動を維持している間はL-アミノ酸で構成されている。生命活動が停止した後L-アミノ酸は時間の経過と共にD-アミノ酸に変わる。これをラセミ化という。ラセミ化が進行すると最終的にD-アミノ酸とL-アミノ酸の存在比(D/L比)は1となる。遺物に含まれるタンパク質やペプチド中のアミノ酸のD/L比を測定することにより生命活動が停止した後の年代を推定する。 黒曜石水和層法 黒曜石を割った新鮮な面は黒いガラス光沢を持っているが、表面は風化によって灰色になっており、光沢がない。これは表面層が水に侵されている(水和)ためである。 この水和層の厚さを測定し年代を推定する。 カリウム-アルゴン法 天然カリウムに0.012%含まれている放射性同位体K40が12億8千万年の半減期で壊変するときに発生するAr40の量を測定し、年代を推定する。
https://w.atwiki.jp/zoidsthebondsofsteel/pages/18.html
注意、このページ内で(推定)と表記してある数値は初期ステータス、成長率及び最大LVより算出した推定値です。 新規追加機体 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 特攻攻撃力 BP14 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 アイアンコング 50 1520 1440 アイアンコング(カーキ) 50 1180 1900 1916 3124 BP10 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 シールドライガー(バン仕様) 55 1520 1520 2600(推定) 2600(推定) ダークホーン 50 1368 1296 2383 2241 レッドホーン(ブルー) 50 1568 1168 2695 2001 BP9 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 セイバータイガー 55 1723 1103 3064 1922 セイバータイガー(ブラウン) 50 1458 1652 2359 2711 セイバータイガー(ブルー) 50 1427 1098 BP8 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 キラードーム 55 100 2745 163 4842 ダークスパイナー 55 1651 1194 ミサイルトータス 45 1748 1394 2744 2158 BP6 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 アロザウラー 50 1668 1168 2836 1960 アロザウラー(カッパー) 50 1227 1625 2060 2752 アロザウラー(モスグリーン) 50 1180 1203 ガンスナイパー(ブラック) 45 1184 412 2497 859 スピノサバー 50 1632 1132 2807 1917 スピノサバー(グリーン) 50 1545 1367 2620 2252 ヘルディガンナー(帝国軍仕様) 50 1117 1705 1867 2915 レドラー 45 1196 924 2202 1678 レブラプター 50 1632 1132 2805 1919 BP5 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 ギラフソーダ 45 534 1502 980 2816 マッカーチス 50 1012 1900 BP3 名称 最大LV 初期攻撃 初期防御 最大攻撃 最大防御 ザバット 50 1296 1404 2230 2430 ザバット(ブルー) 50 1523 1652 2457 2678 ザバット(レッド) 45 1632 932 2765 1559 ガイサック(盗賊団使用) 40 1694 1111 2654 1711 表記方法を変更しました。詳しくはテンプレにて (2013-03-24 23 53 50) ところで推定値の割り出しってどうやるのでしょうか (2013-03-25 00 00 45) ゾイドは1Lv上がるごとにレアリティで決まる固定値だけ合計ステータスが増える。攻撃と防御に割り振られる割合は初期値の割合と一緒。 (2013-03-30 10 22 37) 増える値は SR=45、R=40、UC=35、C=30。URは持ってないから分からないけど、多分50? (2013-03-30 10 24 09) 初期攻撃と初期防御が全く同じRのゾイドなら、1Lv上がるごとに攻撃と防御が20ずつ上がる。端数処理は良くわかんない。なんとなく攻撃に寄せてるっぽい気がするけど。 (2013-03-30 10 25 53) ギラフソーダ 最大攻撃980 最大防御2816 でした。どなたか修正お願いしますm(__)m (2013-04-08 15 48 52) コング(カーキ) 攻1916 防3124 でした。修正して貰えますか? (2013-04-27 20 47 58) ガンスナイパー(ブラック)MAX攻2497、MAX防859でした (2013-05-15 12 19 31) コメント
https://w.atwiki.jp/whats-mind/pages/20.html
最近Dirichlet Processというのを良く聞きます。 クラスタリングというとあらかじめのクラスタ数Kで決める手法が多いのですが、 この手法はKそのものを推定する手法だそうです。すごいですね~ ということで、Dirichlet Processの勉強をしたくて その学習手法の中で出てくるギブスサンプリングを 簡単な例でpythonで実装してみました。 ギブスサンプリングを用いてX~N(μ,σ^2)から 出力されたサンプルからμとσを推定します。 μの事前分布をガウス分布、σの事前分布を逆ガンマ分布としています。 #!/usr/bin/python #coding utf-8 from numpy import * from scipy import ndimage from scipy.stats import norm from scipy.stats import invgamma # サンプル数 n_sample = 30 # ステップ数 n_step = 1000 # 一次元ガウス分布の乱数 def r_gaussian(mu, sigma2, size=0) r_norm = norm.rvs(size=size) return [mu + sqrt(sigma2)*r for r in r_norm] # 逆ガンマ分布 def r_invgamma(alpha, beta, size=0) r_invgamma0 = invgamma.rvs(alpha, size=size) return [beta*r for r in r_invgamma0] # 推定したい平均と分散の2乗 mu_c = 3.0 sig2_c = 1.0 sample = r_gaussian(mu_c, sig2_c, n_sample) # muの事前分布パラメタ mu_o = 5.0 tau2_o = 10.0 # sigma2の事前分布のパラメタ nu_o = 10.0 lmd_o = 30.0 # 推定値 mu_e = 0.0 sig2_e = 1.0 avg_sample = mean(sample) sig2_sample = ndimage.variance(sample) data_mu = [] data_sig2 = [] # Gibbs Sampling for n in range(n_step) mu_e = r_gaussian((n_sample*avg_sample/sig2_e+mu_o/tau2_o)/(n_sample/sig2_e+1.0/tau2_o), 1.0/(n_sample/sig2_e+1.0/tau2_o), 1)[0] sig2_e = r_invgamma((n_sample+nu_o)/2.0, (sig2_sample+n_sample*(mu_e-avg_sample)**2+lmd_o)/2.0, 1)[0] data_mu.append(mu_e) data_sig2.append(sig2_e) #描画 import matplotlib.pyplot as plt fig = plt.figure() ax = fig.add_subplot(111) #ax.plot(sample) ax.plot(data_mu) ax.plot(data_sig2) ax.set_ylim([0.0, 5.0]) plt.show() 緑が分散で青が平均の推定値です。
https://w.atwiki.jp/okayamasiro/pages/120.html
城主 別名 遺構 歴史 概要 縄張り図 所在地 交通自家用車 公共交通機関 登城口 注意 写真遠景写真 城内写真 登城記録・感想等 居館推定地 近くの観光名所 参考文献 更新日 城主 毛利氏 別名 遺構 歴史 概要 縄張り図 所在地 倉敷市二子 より大きな地図で 倉敷市の城跡 を表示 交通 自家用車 公共交通機関 登城口 注意 写真 遠景写真 城内写真 登城記録・感想等 居館推定地 近くの観光名所 参考文献 「日本城郭大系 13」 更新日 2010年04月09日
https://w.atwiki.jp/cosmo_cat/pages/19.html
深さ優先探索 (Depth First Search) 最大探索深さが予め決まっている場合のみ実用的だが、幅優先探索よりも早く解が見つかる 最短経路が見つかる保証はない アルゴリズムの実装にはスタックを使うとよい。すなわち、探索ツリーの走査において、現在ノードの子要素をスタックに積み(ただし訪問済みノードは除く)、次に探索するノードをスタックから取る。 幅優先探索 (Breadth First Search) 最短経路の発見が保証される アルゴリズムの実装にはキューを使うとよい。すなわち、探索ツリーの走査において、現在ノードの子要素をキューの末尾に積み(ただし訪問済みノードは除く)、次に探索するノードをキューの先頭から取る。 A*探索 次に調べる状態候補の各々について、評価関数を計算し、最も有利なものを選ぶ。 は、初期状態から候補状態を経て目標状態に至るまでの推定コスト は、初期状態から候補状態に至るまでの推定コスト。通常は探索ツリーにおける候補状態の深さを取ればよいが、それが最小コストとは限らないことに注意せよ。(回り道をしているかもしれないので) は、候補状態から目標状態に至るまでの推定コスト。コスト=何らかの方法で定義された状態間の距離と考えればよい。この値が評価の要である。 を真のコストとして、任意の状態についてが成り立っていれば、目標状態までの最短経路が見つかることが保証されている。 従って、この条件を満たすをいかに作るかが重要になる。 Algorithms
https://w.atwiki.jp/kobuchi/pages/83.html
神戸市交通局車体色一覧 マンセル値からsRGB値への変換はMunsell Color Paletteというサイトで行っております。 変換方法はツールなどによって異なります。あくまで参考値である点ご了承ください。 一部の色は画像などからのサンプリングにより仮定で出力しています。実際の色とは異なる場合がありますのでご注意ください。 神戸市電 色票 色名 マンセル記号 sRGB値 使用車両・箇所 備考 ベージュ 7.5Y 6/2 153/148/121 車体上半 日塗工旧番312と推定 グリーン 10GY 4/6.5 54/109/10 車体下半 日塗工旧番416と推定 黄 2.5Y 8/12 248/192/17 ワンマン車識別帯 日塗工旧番308と推定 神戸市営地下鉄 色票 色名 マンセル記号 sRGB値 使用車両・箇所 備考 KBグリーン 2.5G 5.5/10 0/155/88 西神・山手線1000・2000形下半、3000形緑帯 日塗工旧番556と仮定色名は「車輌の外部色Ⅱ」より フォググリーン 10G 8/1 188/203/198 西神・山手線1000・2000形上半 日塗工旧番560(現番49-80B)と仮定 ライトグリーン 9.4G 5.2/11.1 0/150/114 西神・山手線6000形緑帯、海岸線5000形緑帯 DIC-216(「神戸市交通局六十年史」より) ブルー 5PB 5/12 38/124/203 海岸線5000形青帯
https://w.atwiki.jp/bito/pages/152.html
分類 オーメダル(コア) 属性 猫 担当部位 頭部 性別 女性 人間換算時推定年齢 10歳 推定バストサイズ A 常に元気な女の子のメダルビト。 常時エネルギッシュな大食漢で声が一々無駄にでかい。好物は肉。 余りにも腹が減ると我を忘れて人さえ食いそうになる程には食欲旺盛。 減量と肥満は加減法の結果であるという定義を地で行く存在で、活動に際し莫大なエネルギーを消耗、余分なものも気として放出してしまうため肥満とは無縁である。
https://w.atwiki.jp/chibifantasy2/pages/312.html
アイテム名 装備レベル レベル 攻 防 魔 魅 運 早 火 水 風 土 入手 備考 レッドゴルァフラワー 202 0推定値 - 6.50 - 12.00 - - - - - - レッドマンドラゴルァ 30 - 26.00 - 48.00 - - - - - - 翠翼人の冠 205 0推定値 - 10.00 - - - 7.00 - - - - レジスサンタ 2007クリスマス 30 - 40.00 - - - 28.00 - - - -