该程序是用来画微分系统时间序列图相图等相关的图形的,可以很好的对一个微分系统进行分析...

在一个圆形操场的四周摆放着n堆石子。现要将石子有次序地合并成一堆。规定每次只能选相邻的2堆石子合并成新的一堆，并将新的一堆石子数记为该次合并的得分。试设计一个算法，计算出将n堆石子合并成一堆的最小得分和最大得分。 编程任务：对于给定n堆石子,编程计算合并成一堆的最小得分和最大得分。-Playground in a circle around the stones are placed n heap. Stone is to have the order to merge into a pile. Provisions can only choose 2 adjacent stones piled into a heap of new and new pile of stones a few in mind for its combined score. Try to design an algorithm to calculate the n heap into a pile of stones the minimum scores and maximum scores. Programming tasks: for a given n stack stone, into a pile of programming the calculation of the minimum scores and maximum scores.

Asift 基于全仿射的图像配准，并结合特征点详细，多视点的情况下，能实现很好配准

混响作为浅海自导系统特有的干扰，对水声信号检测性能的影响日趋凸显，而对混响抑制一直是水声信号处理研究中的热点和难点。对于浅海混响下主动自导系统来讲，混响主要来自海底和海面，资料中关于怎样建立浅海混响模型，在点射模型的基础上研究建立浅海混响谱模型和海面分形模型。

一种短时傅立叶变换的算法.并利用短时傅立叶变换画图-a algorithm for short time fourier transform

求逆矩阵--solution for inverse matrix

粒子群算法java源程序，详细介绍了粒子群算法的实现过程，程序可直接执行。粒子群算法java源程序，详细介绍了粒子群算法的实现过程，程序可直接执行。

源代码为学生学籍管理系统的设计与开发，可以帮助同学们更好的利用VB软件，并且能在编程过程中给同学们一些启发，仅供参考

资源描述控制与PC机之间的串行通信旋转平台Arduino。我用这个代码为我的期末毕业。应用程序接收旋转平台的角度。收到价值，代码调整为定电压（电子速度无级变速器），和代码控制旋转速度从编码器接收信号。

资源描述大家好，这是我大学写的数据结构顺序表的实现，非常有参考价值

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