IIR带通滤波器设计,提供交互界面,JAVA编写,VJ编译

最短路径算法，采用Dijkstra算法实现两点之间的最短路径算法。-shortest path algorithm Dijkstra algorithm used between two points is the shortest path algorithm.

这是为解决 m-着色问题编写的算法。它基于回溯。对于等级是相对较低。但保证的正确性。M-着色问题是其 NP 完备而闻名，没有多项式时间算法都没有被发现。这个问题可以应用于许多实际问题，例如调度。

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

多变量非线性优化模型求解，对约束条件建立m文件-Multi-variable nonlinear optimization model for solving the establishment of restrictive conditions on m file

常用的矩阵变换C代码，复矩阵乘法、矩阵的转置、全选主元高斯－约当法、对称正定矩阵的求逆、 求行列式值的全选主元高斯消去法、矩阵的三角分解、一般实矩阵的QR分解，奇异值分解

这一简单的 FastMap 算法执行。与此代码片段可以绘制结果这样在二维空间中的多维投影。这种算法是真快因为复杂度 o （n）。在许多情况下的应力是平等或比 PCA 和 MDS betther。

这个文件是用来模拟QDPSK的误码率的。结果被写入一个txt文件，然后您可以将其导入matlab。

这是学校布制的作业用C语言实现四点插值细分曲线绘制-cloth it is the school system"s operations with C language sub 4:00 interpolation Curve

Another Locally weighted regression

RTU通信技术的校验实现，labview程序下的，需要的人可以试试，通过测试完全可用，希望大家共同进步。谢谢