布尔：你将获得两布尔陈述你的任务是检查吧…

基于小波变换的数字水印提取Matlab源代码-Digital Watermarking Based on Wavelet Transform Matlab source code extraction

fdtd三维计算代码，计算电磁波在空间的电磁散射与传播。考虑了三维真实情况，支持linux下的使用。

%Markov链%第一种方法A=[0 1243.37 171.92 29.79 0 0 00 0 6983.97 957.97 0 0 00 0 203845.5 9812.96 0 0 034 0 77259.28 11323.64 3851.17 0 4.89128.47 11580.83 917.15 0 5761.7 2397.61 02293.52 79225.61 9979.07 3647.11 0 91339.8 24.360 141.18 964.94 2.2 0 0 28.67];             %原始数据矩阵[m,n]=size(A);                              %计算矩阵的行数和列数Rsum=sum(A");                               %计算矩阵各行数值之和S=Rsum(ones(n,1),:);                        %将各行数值之和平移为矩阵M=(A"./S)";                                 %计算转移概率矩阵%第二种方法A=[0

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.

快速DCT变换 迭代算法- Fast DCT transformation iteration algorithm

题目描述 请输出无向连通图最小生成树权重之和。 输入 第一行是2个整数,分别表示顶点个数n和边数m。接下来的m行中,每一行第一个整数表示边的开始顶点，第二个表示边的结束顶点，第三个表示这条边的权重。 ( 测试数据中保证图是连通图； 没有自环； 两个顶点之间只有一条边； 0

这是一个追赶法的算法-This is a law to catch up with the algorithm

有限差分法的Matlab程序（椭圆型方程）-finite difference method of Matlab (elliptic equation)

在日常的生活中我们最经常使用的距离毫无疑问应该是欧式距离，但是对于一些特殊情况，欧氏距离存在着其很明显的缺陷，比如说时间序列，举个比较简单的例子，序列A：1,1,1,10,2,3，序列B：1,1,1,2,10,3，如果用欧氏距离，也就是distance[i][j]=(b[j]-a[i])*(b[j]-a[i])来计算的话，总的距离和应该是128，应该说这个距离是非常大的，而实际上这个序列的图像是十分相似的，这种情况下就有人开始考虑寻找新的时间序列距离的计算方法，然后提出了DTW算法，这种方法在语音识别，机器学习方便有着很重要的作用。 这个算法是基于动态规划（DP）的思想，解决了发音长短不一的模板匹配问题，简单来说，就是通过构建一个邻接矩阵，寻找最短路径和。 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术, TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF反文档频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m，而其它类包含t的文档总数为k，显然所有包含t的文档数n=m + k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权重，并选来作为该类文本的特征词以区别与其它类文档。这就是IDF的不足之处。