c4.5算法

用差分方法求解沃尔泰拉方程，此处为一个变元的方程，由于该方程同时含有微分和积分，一般求解有一定的困难。-use of the finite difference method for Volterra equation here as a variable element of the equation, As the same time contain differential equations and integral, the general solution is definitely difficult.

资源描述matlab对INSAR的主辅影像图进行配准，以便以后处理影像图

时域信号转换为频域信号的几个例子，本人都用过的，绝对能运行-Time-domain signal is converted to frequency domain signal a few examples, I have been used, absolutely can run

资源描述基于music算法的DOA估计，通过角度搜索，获得谱峰位置对应的角度，可以有效的抑制旁瓣，获得精确的角度估计，music算法的核心思想是利用导向矩阵与噪声子空间的正交特性，因而在信源角度方向获得谱峰值。

一个用于蛋白质序列分类的profile hmm的Perl代码-One for protein sequence classification of the Perl code profile hmm

The GNU MP Bignum Library，非常好用的大数运算库，GMP is a free library for arbitrary precision arithmetic, operating on signed integers, rational numbers, and floating point numbers. -The GNU MP Bignum Library, very easy to use large numbers of computing library, GMP is a free library for arbitrary precision arithmetic, operating on signed integers, rational numbers, and floating point numbers.

VC++实现的二分法求单调函数是否有解。-VC++ dichotomy in order to achieve the monotonic function is broken.

由吉姆契，2000 年 11 月 2 日这个程序允许您将一个大文件拆分成多个小块，其中可以复制到软盘或以某种其他方式向另一台计算机转移（如下载）。一次在其他计算机上，该文件可以重构与简单的复制操作。该程序允许您指定输入的文件，在其中的目录块将被创建，单独的零件，该基文件名和片断的大小。件命名的顺序，从 1 开始。

摘要:本文旨在研究一种能对复杂热工对象的有效建模方法。基于遗传算法的辨识方法有较强的抗干扰能力,对低、高阶系统、延时系统都可以达到很好的辨识效果。根据单元机组的低阶非线性模型,推导出一个双进双出、能够描述机组动态特性及机炉间相互耦合关系的协调控制系统传递函数矩阵。依次模型为基础,提出一种基于改进的遗传算法的参数辨识方法。-Abstract: This paper aims to study a thermal complex objects can be an effective modeling method. Identification method based on genetic algorithm has strong anti-jamming ability, low, high-end systems, delay systems can achieve very good recognition results. According to unit power plant low-level non-linear model, derived a double inlet and outlet, can describe the dynamic characteristics and boiler-turbine unit is coupled between two relations, coordination and control system transfer function matrix. Turn model was proposed based on improved genetic algorithm based on parameter identification method.

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