Differential Evolution Strategy C++ source code. The algorithm is to find an opt...

用雅可比法求实对称阵的特征值与特征向量 例子中为3阶矩阵-Jacobi method with realistic symmetric matrix of eigenvalues and eigenvectors for the case of 3-order matrix

PRN伪随机码译码-PRN pseudorandom Decoding

利用DDRAW开发出YUV视频直接显示MFC，方便视频开发的同仁们。DDRAW为Microsoft为图像处理开发插件，可以通过包含相应的库文件，将相应的接口函数调入。

应用背景md5的典型应用是对一段信息（message）产生信息摘要（message-digest），以防止被篡改。比如，在unix下有很多软件在下载的时候都有一个文件名相同，文件扩展名为.md5的文件，在这个文件中通常只有一行文本，大致结构如：  md5 (tanajiya.tar.gz) = 0ca175b9c0f726a831d895e269332461 这就是tanajiya.tar.gz文件的数字签名。md5将整个文件当作一个大文本信息，通过其不可逆的字符串变换算法，产生了这个唯一的md5信息摘要。如果在以后传播这个文件的过程中，无论文件的内容发生了任何形式的改变（包括人为修改或者下载过程中线路不稳定引起的传输错误等），只要你对这个文件重新计算md5时就会发现信息摘要不相同，由此可以确定你得到的只是一个不正确的文件。如果再有一个第三方的认证机构，用md5还可以防止文件作者的"抵赖"，这就是所谓的数字签名应用。  md5还广泛用于加密和解密技术上。比如在unix系统中用户的密码就是以md5（或其它类似的算法）经加密后存储在文件系统中。当用户登录的时候，系统把用户输入的密码计算成md5值，然后再去和保存在文件系统中的md5值进行比较，进而确定输入的密码是否正确。通过这样的步骤，系统在并不知道用户密码的明码的情况下就可以确定用户登录系统的合法性。这不但可以避免用户的密码被具有系统管理员权限的用户知道，而且还在一定程度上增加了密码被破解的难度。  正是因为这个原因，现在被黑客使用最多的一种破译密码的方法就是一种被称为"跑字典"的方法。有两种方法得到字典，一种是日常搜集的用做密码的字符串表，另一种是用排列组合方法生成的，先用md5程序计算出这些字典项的md5值，然后再用目标的md5值在这个字典中检索。我们假设密码的最大长度为8位字节（8 bytes），同时密码只能是字母和数字，共26+26+10=62个字符，排列组合出的字典的项数则是p(62,1)+p(62,2)….+p(62,8)，那也已经是一个很天文的数字了，存

描述 （英文）： （提示： 至少 100 个字符。请尽你所能描述您的项目的详细信息。更好的内容将为你赢得更多的分数) 美国地质勘探局 DEM三维地形漫游系统Description （英文）： （提示： 至少 100 个字符。请尽你所能描述您的项目的详细信息。更好的内容将为你赢得更多的分数) (英语) 的描述： （提示： 至少 100 个字符。请尽你所能描述您的项目的详细信息。更好的内容将为您获得更多的分数）

对于二值化图像，去除孔洞时采用的方法实际上与去除小区域相同，因此完全可以用同一个函数进行。 这两个功能可以采取区域生长法来实现。须注意，去除小区域时为保存有用信息，可采用8邻域探测，去除孔洞时则4邻域即可，否则容易泄露，出现靠边缘的孔洞未去除的情况。

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

contiene codigo de ejemplo en php，muestra una conexion a mysql mediante la clase mysql conectttt y otros tipos de conexiones mysqla ；mysqlb ；mysqlc ；mysqld

开发环境：Visual C++ .net2003 功能：利用禁忌搜索思想求解TSP问题。-Development Environment: Visual C++. Net2003 functions: thinking of the use of tabu search for solving TSP problems.

模糊控制的程序，应用Matlab Simulink工具箱搭建了一个模糊控制器，可应用于在输入不确定下的数据处理-Fuzzy control procedures, application of Matlab Simulink toolbox to build a fuzzy controller can be used in the input data under the deal with uncertainty