雷达数据处理

机器人的部分程序- Robot subprogram

线形表链式存储结构算法 ＶＣ＋＋６．０下开发～！-linear chain storage structure VC++6.0 algorithm developed ~!

麻省理工的计算光子晶体的程序，自己看后感觉收获不小，推荐给大家，对工科学生应该很有用处-MIT photonic crystal calculation procedures, to look after feeling learned a lot and recommend it to everyone. Engineering students to be useful

资源描述支持动态交互的留言板，用asp写的，可以整合到自己的网页中，对编程能力有很大帮助。

奇异值分解源代码有利于电影推荐系统，使用 Java 编程语言实现的。源代码是可行的任何数据集。

/* 100%免费公共域算法实现的长沙-1 由赖歇尔 Dominik < dominik.reichl@t-online.de > Web： http://www.dominik-reichl.de/ 版本 1.8-2008年-03-16 -转换为 Visual Studio 2008 格式的项目文件。 -添加 Unicode 支持 HashFile 实用程序方法。 -添加对哈希文件使用 HashFile 方法的支持，是 大于 2 GB。 -HashFile 现在返回一个错误代码，而不是复制错误 到输出缓冲区中的消息。 -GetHash 现在返回一个错误代码，并通过验证的输入的参数。 -添加 ReportHashStl STL 实用程序方法。

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

用opencv实现的图像直方图均衡化处理，用HistogramStat函数统计图像中三个通道中的像素总数，用Histogram函数对其进行直方图均衡化处理

                   阿伦方差算法实现，适合初学者学习 。 指出当今风行于世的阿仑方差有错误。详细分析了阿仑方差的来龙去脉，指出阿仑方差前提出错，以至物理意义费解。本文在扬弃阿仑方差的基础上，提出物理意义十分直观的自差统计这一新概念，既能表征频率稳定度，又可表征基准的不确定度。用于雷达测速的精度分析，简洁方便

解算高阶矩阵，可以求逆，求特征值，对矩阵进行特征值分解-High-order matrix solvers can be inverse, and eigenvalues of matrix eigendecomposition