-
Bayesian
贝叶斯算法：盲分离技术，信号处理技术，信息论与编码-Bayesian
- 2022-03-24 12:50:41下载
- 积分：1
-
xml读写库C++源码
TinyXML是一个简单小巧，可以很容易集成到其它程序中的C++ XML解析器。 TinyXML被设计得容易快速上手。它只有两个头文件和四个cpp文件。只需要把它们简单地加到你的项目中就行了。有一个例子文件——xmltest.cpp来引导你该怎么做。TinyXML以Zlib许可来发布，所以你可以在开源或者商业软件中使用它。许可证更具体的描述在每个源代码文件的顶部可以找到。TinyXML在保证正确和恰当的XML输出的基础上尝试成为一个灵活的解析器。TinyXML可以在任何合理的C++适用系统上编译。它不依赖于异常或者运行时类型信息，有没有STL支持都可以编译。TinyXML完全支持UTF-8编码和前64k个字符实体。
- 2022-03-16 12:21:26下载
- 积分：1
-
AVL 树源代码
AVL树是一种两个二进制排序树，但它可以保持高度ofbalance本身，并插入这使得搜索树是非常快的，当然，为了保持该树的平衡也做了一些保持树itselfbalanced操作树中插入和删除在process.AVL树节点的活动由前苏联发明GM阿德尔森，Velskii andE.M.兰迪斯在1962年，这种结构存在于计算机科学和第一数据结构的自我平衡特性，具有开拓性的意义，对于2-4树，红黑树，AA树的存货发明并指出thedirection，具有非常重要的意义这一设计理念。对于更复杂的数据结构是设计，如红黑树中多表现theaverage的AVL树，所以AVL树直接应用已经消失，butit是最好的学习设计思想之一，具有十分重要的意义或toimprove的水平。这是我知道的时候是在他们的派生树的插入和deletionalgorithms的AVL树。
- 2022-08-17 09:34:42下载
- 积分：1
-
binary to bcd conversion
二进制到bcd转换
- 2022-02-14 15:53:06下载
- 积分：1
-
多元 stein 去噪工具箱
说明：
这个工具箱允许多通道图像去噪
它包括 4 子文件夹：
1） estimSP： 包含所有的 m-文件关于块估计
2） 图像： 包含一些测试图像 (3 阶)
3） 测出： 包含所有的 m-文件加载 intercorrelations
4） 工具： 包含所有 m-文件的必要的工具
- 2022-07-23 12:31:21下载
- 积分：1
-
线性方程组求解的三个源程序.rar
线性方程组求解的三个源程序.rar--Three source codes about linear equations solution( .Rar)
- 2022-04-21 11:57:07下载
- 积分：1
-
This is one of the Queen's algorithm of algorithms.
这是一个关于算法中的皇后问题的算法。-This is one of the Queen"s algorithm of algorithms.
- 2022-02-03 22:29:10下载
- 积分：1
-
unknownexercice
#include < stdlib.h >
#include < stdio.h >
#include < sys/types.h >
#include < sys/stat.h >
#include < fcntl.h >
int 主要 (int argc、 char *argv[])
{
int fd、 fd2、 fd3 ；
int i;
浅黄色 char [10] ；
fd=open(argv[1],O_RDONLY) ；
if(fd2=open(argv[2],O_WRONLY) = =-1)
{
fd3 = 共创 (argv [2]，S_IRUSR |S_IWUSR） ；
read(fd,buff,10) ；
write(fd3,buff,10) ；
}
其他
{
fd2=open(argv[2],O_TRUNC) ；
read(fd,buff,10) ；
write(fd2,buff,10) ；
}
返回 0 ；
}
- 2023-05-04 19:30:03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
-
Rabin
Rabin-Karp algorithm
- 2023-03-30 12:20:04下载
- 积分：1
