计算飞船相对测站的位置矢量单位矢量在赤道坐标系中的三个分量...

该程序是作者编写的程序，实现了图和树中的部分算法。-that the procedure was prepared by the author of procedures, a map and part of the tree algorithm.

图像分割是非常重要的字段在图像 processing.here 我本算法中，c + + 的 ct 图像分割是有效的算法。

资源描述较为简单的将大地坐标与大地空间直角坐标进行互换

应用背景 这是蓝桥杯往年的一个题目，类似的题目有六角填数、4*4魔方阵等。题目如下图： 将1，2，3，...19填进去，图中已经填了两个数15和13，填完后要求每条直线上的数字之和相等，图中共有十五条直线。 关键技术代码在VS2010上运行。 设和为a, 则a*15/3=(1+19)/2*19  所以 a=38 前两个数已经填好，开始填第三个数，将满足vis=0的数依次填进去。填完第三个数，第一行已经形成了直线，判断第一行的和是不是38. 填完第七个数，新增加了一条直线（第二行），判断它的和。填完第八个数，增加了一条线（45°方向），判断其和。以此类推。程序关键是：每填完一个数，看有没有新增加的直线，并判断数字和，不能全部填完19个数再判断，因为计算量太大，程序运行不出来。

表达式处理及数制转换-expression processing system conversion, and several

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

Calculate Parameter Byte using ROM-BIOS

资源描述 基于opencv平台PCA算法实现表情识别，对于学习pc算法很有用

在静止图像中的上部人体检测软件。它基于成功的一部分基于对象检测框架，并且包含一个模型来检测附近额叶上部机构。由此产生的探测器返回范围框拟合的头和上部有一半的人的躯干。

运筹学中的生产计划方法c++源代码，试过，好用-Operations research in production planning methods c++ Source code, try, easy to use