用像素点任意直线和圆

关于drbarr用C编的代码-on drbarr Part C code

数字滤波器IIR设计C源代码,包括绘图.-Use IIR method to design the digit filter,realized by C language,and mapping is also included.

二维三节点有限元计算程序 输入单元及节点信息，计算结构位移。最大单元数5000，最大节点数2000，能够处理集中力、体积力、已知位移等荷载。 采用迭代、回代算法计算线性方程组。能够生成节点的位移、应力及应变值，应力包括个应力分量及主应力值和主应力方向

该代码读取输入文本文件并将其排序，然后将这些数字排序为输出文本文件。代码使用快速排序算法进行排序。

隐马尔夫模型的源代码-implicit successor model of source code

BBS论坛主要是用来在网上交流意见的，有人提出一个问题或者见解，其他人可以针对不同的方面提出自己的想法并发表自己的见解。但是为了保证论坛的安全性，不是任何人都可以发表帖子和回复帖子的，必须以会员的身份登录到系统后，才能发表和回复帖子。因此BBS论坛将用户划分为4类：普通游客、普通会员、版主、管理员。

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

三次样条插值-Cubic Spline Interpolation

矩形原点旋转的程序-origin rotating rectangular procedures

一个关于傅里叶变换的程序，可以从桌面读入文本-One on the Fourier transform of the program, you can read text from your desktop