-
用数值积分算法实现C++语言的程序
此程序为C与语言编写的数值积分算法-procedure for the C language with the numerical integration algorithm
- 2022-05-25 12:34:11下载
- 积分：1
-
64点FFT处理器设计
资源描述这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，
- 2022-08-07 19:07:56下载
- 积分：1
-
相亲游戏
这是一个模拟相亲的程序，包括男选女、女挑男等一系列过程，通过数次“选择”，和“抛弃”，确保找到最合适的配对伙伴。最终将整个团队中的人配完对。
- 2022-07-28 08:35:53下载
- 积分：1
-
复数类计算器
资源描述复数类实现一个简单的复数加减乘除乘方运算的计算器。大学生C++面向对象程序设计代码。代码中根据题目要求已经设置好了运算数，如果需要可以在代码中进行修改。
- 2022-06-17 14:12:34下载
- 积分：1
-
自己编的一个判断浮点数的有限自动机，大家来看看啊
自己编的一个判断浮点数的有限自动机，大家来看看啊-own series of the float of a judge finite automata, we arrives
- 2022-03-25 12:02:07下载
- 积分：1
-
人脸检测程序
FaceDetection是一个静态人脸检测程序，注意FaceDetection需要OpenCV提供的库支持，
因此请首先到相关网站上下载并安装OpenCV，
此外本程序需要导入一个分类器文件haarcascade_frontalface_alt.xml，
该文件在OpenCV中提供，请将该文件复制到程序同一目录下，程序即可正确运行。
- 2022-06-21 06:35:55下载
- 积分：1
-
蚁群聚类算法
蚁群聚类算法是人们对蚂蚁堆形成原理进行研究而产生的一种群体智能算法。LF蚁群聚类算法的主要思想是：将待聚类的数据对象随机放置在一个二维区域中，人工蚂蚁在二维区域内随机移动，每只蚂蚁根据数据对象与局部环境的相似程度，决定捡起或放下该数据对象的概率，相似程度越高捡起的概率越小，放下的概率越小，蚂蚁的移动使得它与其邻域内的邻居相互影响、相互作用，经过一定代数的迭代后，蚁群联合行动导致属于同一类别的对象在同一个空间区域聚集在一起，实现自组织的聚类过程。
- 2022-01-26 07:50:30下载
- 积分：1
-
php代码用于初学者学习
编写程序，在菜单列表框中选择多本图书，单击’提交’按钮,输出用户的选择值。初学者可以看下
- 2023-08-06 22:45:03下载
- 积分：1
-
C++ ItemCF
UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一
- 2022-03-26 08:57:57下载
- 积分：1
-
C++写的DTMF算法
C++写的DTMF算法C++写的DTMF算法C++写的DTMF算法
- 2022-03-17 01:15:05下载
- 积分：1
