近似方法

PCA是最经典的算法，是很适合用于人脸识别的，而且可以有效地降维，提起特征值。

vc7 MFC regular d

包括了一维最优化算法 如：0.618法、分数法、二次差值法、三次插值法等源代码 还包括了无约束最优化部分的 共轭梯度法、DFP变尺度法（用导数或者用差分代替导数）、阻尼最小二乘法、鲍威尔法、模式搜索法、单纯性法等程序源代码 其次，约束最优化部分，提供了混合罚函数法（DFP)，混合罚函数法(POWELL)，综合约束函数双下降法、可变容差法、复合形法、网格法、随机实验法、解线性规划的单纯型法等等方法的源代码。

向来汉诺塔说的都是三个柱子的。。。。 那么四个柱子的呢？ 从三柱到四柱。。。。。熟练掌握递归-has said are the three pillars. . . . Then the four pillars? From the three- to four-post. . . . . Skilled master recursive.

《数据结构》所有相关程序的算法。有图、数组以及二叉数的问题。附有程序及结果。-"data structure" all procedures relating to the algorithm. A map, and two arrays fork a few problems. With procedures and results.

实现一元线性回归分析并进行F,t检验,以便对得出的回归方程进行线性显著性分析-achieving a linear regression analysis and F, t test, in order to come to the linear regression equation significantly Analysis

应用背景基于OPENCV的人脸检测算法，能够实现基本的人脸检测，对于初学者是较好的实例，可根据具体的平台进行修改关键技术目标检测已经应用到很多领域，目前人脸检测是较为热门和成熟的话题，本代码希望通过简单实例，介绍基本的入门代码。

数据结构中的二叉树的C + + 实现，含有多种函数的实现

一、 一元三次回归方程 CubicMultinomialRegress.cs 方程模型为Y=a*X(3)+b*X(2)+c*X(1)+d public override double[] buildFormula() 得到系数数组，存放顺序与模型系数相反，即该数组中系数的值依次是d,c,b,a。 以后所述所有模型的系数存放均与此相同（多元线性回归方程除外）。 public override double forecast(double x) 预测函数，根据模型得到预测结果 public override double computeR2() 计算相关系数（决定系数），系数越接近1，数据越满足该模型。 -1, one dollar three regression equations CubicMultinomialRegress.cs equation model for Y = a* X (3)+ B* X (2)+ C* X (1)+ Dpublic override double [] buildFormula () get coefficient array, store order and model coefficients contrary, that is, the array is followed by the value of coefficient d, c, b, a. After all the model described in the coefficient of storage are the same (except for multiple linear regression equation). public override double forecast (double x) prediction function, according to the results of model prediction public override double computeR2 () calculated the correlation coefficient (determination coefficient), coefficient of the closer one, the dat

利用C++完成计算方法的分段线性，二次插值和全区间拉格朗日插值的计算！-C completed the calculation method piecewise linear, quadratic interpolation, and the region between the Lagrange interpolation calculation!