中文的C语言算法书c

资源描述以金刚石小锯片连续烧结炉的温度控制系统为例, 介绍了S7 -200PLC 在温度控制系统中的应用.该系统采 用CPU226 主机、热电偶模块EM231 、模拟量输出模块EM232 和晶闸管电压调整器实现了温度的PID 控制.通过采用 分段式PID 控制烧结炉温度, 实现了快速升温, 系统升温超调量小、稳态温差小(±5 ℃), 达到了金刚石小锯片的生产工 艺要求.

Asift 基于全仿射的图像配准，并结合特征点详细，多视点的情况下，能实现很好配准

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

BP神经网络的逼近函数源代码 数学建模-BP neural network approximation function of the source code for mathematical modeling

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

有限元的分析程序，对于初学有限元在结构中的应用很好用-Finite element analysis program for learning the structure of finite element in the application of good use

四皇后问题，八皇后问题，特洛比方块等等一些数学问题算法实现- Four empresses questions, eight empresses questions, Turlogh and so on some mathematics question algorithms realizes compared to the block

使用 Strassen Algorithm 对乘法方阵。 IDE Visual Studio 2012 的 c + + 项目。

24点Fourier算法，用标准C编写，实现速度优化

用C语言实现地图着色问题-C language map Coloring