表达式求解

一个C++封装的，基于状态转换表设计的有限状态机实现例子-a C Packaging, based on state transition table design Finite State Machine example

用c语言写的求取16位的CRC程序，入口参数：  data  -- 需要校验的数组  length  -- 数组中字节的个数

OpenGL入门，利用GLUT实现基本图元（直线段）的绘制。

function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q)%%-------------------------------------------------------------------------%% 主要符号说明%% C n个城市的坐标，n×2的矩阵%% NC_max 最大迭代次数%% m 蚂蚁个数%% Alpha 表征信息素重要程度的参数%% Beta 表征启发式因子重要程度的参数%% Rho 信息素蒸发系数%% Q 信息素增加强度系数%% R_best 各代最佳路线%% L_best 各代最佳路线的长度%%========================================================================= %%第一步：变量初始化n=size(C,1);%n表示问题的规模（城市个数）D=zeros(n,n);%D表示完全图的赋权邻接矩阵for i=1:nfor j=1:nif i~=jD(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;elseD(i,j)=eps;      %i=j时不计算，应该为0，但后面的启发因子要取倒数，用eps（浮点相对精度）表示endD(j,i)=D(i,j);   %对称矩阵endend%{1.C就是城市坐标             x         y城市1    0

骨架旨在代表对象的一般形式的基于区域的形状特征提取。骨架 （即，从数字的二进制图像的骨架提取） 提供了基于区域的形状特征。它是在光栅矢量转换或在模式识别中常用的预处理操作。有三种主要的骨架提取方法： 检测脊的边界点，距离图计算由边界点，生成的 Voronoi 图和逐层侵蚀称为细化。在数字空间中，可以提取只有一个近似"真正的骨架"。有两个要求必须遵守： 拓扑 （为了保留原始对象的拓扑），几何 （强迫正在包括、 旋转、 平移和缩放的最重要的几何变换下的不变性与对象的"骨架"） 这个代码可以帮助您生成的二维二值图像的形状骨架

该算法基于贪心方法。使用了该算法

输入： %x = 输入的图像 （灰度或 rgb，请期待很长时间处理，如果图像大小很大） %hs = 空间内核的带宽 （见 Eq.(35) 在被引用的文件中） %hr = 功能内核的带宽 （见 Eq.(35) 在被引用的文件中） %th = 收敛判据的阈值 （默认值 =.25) %ploton = 开关打开/关闭图像显示的中间结果 （默认值 = 1) % %输出：

立体影像对的光束法严密解求外方位元素：已知控制点的左右影像像点坐标和物方空间坐标，解求左右影像的外方位元素。-three-dimensional images of the bundle closely to Solve exterior orientation elements : known control points around the image pixel coordinates and objects to space coordinates solution for image around the exterior orientation elements.

改代码是由python编写的，实现了机器学习中最常用的、最简单的最邻近算法（KNN）。其中，附带有验证用的数据集，可以验证算法的效果。

不错的数据挖掘教程。用超星阅读起观看。-good Data Mining Directory. Starting with reading Superstar watch.