使用先生的粒子滤波

vc++和matlab语言相转化的接口软件，功能强大，工具箱互相兼容，转化成的代码质量好。-vc++ and language phase transformation matlab interface software, powerful, compatible toolbox, into the code of good quality.

应用背景此代码是与乘法2个矩阵，导出一个文本作为结果。关键技术矩阵生产属于一般领域：1：单个数的标量乘以一个矩阵的每一个条目。2：通过另一个整个矩阵的另一个整个矩阵的乘法，矩阵乘法将是指这个二类。

基于遗传算法的图像边缘检测算法。主要内容包含遗传算法的代码，可对各种图像的边缘进行检测，可直接运行，并且检测效果较好。

用VC编写的一个多功能图形界面计算器，不仅能实现简单的加减乘除，还能实现乘方，开方等算术。-VC prepared using a multi-functional graphical interface calculator, not only simple addition and subtraction, multiplication and division to achieve, but also the realization of involution, evolution, such as arithmetic.

应用背景`时间1ns / 1ps/////////////////////////////////////////////////////////////////////////////////// /公司：和；/ / /工程师；/ / / / / / / / / /；//创建日期： ； ；15:48:50 11 / 30 / 2关键技术`时间1ns / 1ps///////////////////////////////////////////////////////////////////////////////// /公司：和；/ /工程师：/ / / ///创建日期： ；15:49:44 11 / 30 / 2015/ /设计名称： ；semaforo/ /模块名称： ；C：/用户/学生/文件/应用/ 7 / semaforo_edgar semaforo_fix V。/ /项目名称： ；semaforo_edgar/ /目标设备；/ /工具版本；/ /描述：&；/ / / // / Verilog测试夹具的ISE模块创建：semaforo/ / / // /依赖关系：/ / / / / / / / / /；/ /修订：/ /修订0.01文件创建/ /附加评论：/ / / / / / / / / /；////////////////////////////////////////////////////////////////////////////////模块semaforo_fix；/ /输入reg RST；reg CLK；/ /输出丝SR1；丝SA1；丝SV1；金属锶；丝SA2；线2；//实例化在测单元（UUT）semaforo UUT（。RST（RST），& nbsp；。时钟（CLK），& nbsp；。SR1（SR1），& nbsp；。SA1（SA1），& nbsp；。SV1（STR），& nbsp；Sr（锶）。，& nbsp；。SA2（SA2），& nbsp；SV2（SV2）。）；初步开始/ /初始化输入RST = 0；时钟= 0；为全球复位完成100纳秒/ /等待# 100；和公司；及；及；在这里增加刺激终点和公司

代码主要包含两部分，第一部分打开摄像头，开始录制视频，主要步骤如下： 设置打开参数dshow，以dshow打开并列出所有多媒体设备，打开视频流，获取编码器，打开编码器，读取流，解码，对帧进行转换（因为默认的图片格式为YUVY422而h264编码需要格式为YUV420） 第二部分，将第一步解码的图片进行编码，加入rtp视频流 新建视频流，设置编码参数，打开编码器，将编码格式设为实时编码，编码，并打印sdp信息，关闭相关函数。 文件中包含cpp文件和相关的头文件，库，以及dll文件

生物信息学里一个比较经典的题目，预测一段ＲＮＡ序列可能的二级结构，用”点—括号“表示两个碱基配对与否。用的算法是traceback(?)，应该是这个名字。

本程序能产生大部份实用随机数：产生一个[0,1]区间内均匀分布伪随机数、产生多个[0,1]区间内均匀分布伪随机数、产生任意[a,b]区间内一个均匀分布伪随机整数、产生任意[a,b]区间内均匀分布伪随机整数序列、产生一个任意均值与方差的正态分布随机数、产生任意均值与方差的正态分布随机数序列-look it yourself

最小二乘法拟合曲线，在TC2.0中编译通过-least squares fitting, in which compile WITH TC 2.0

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