登录
首页 » 算法 » 错误位置方法

错误位置方法

于 2022-03-14 发布 文件大小:10.25 kB
0 200
下载积分: 2 下载次数: 1

代码说明:

数值计算算法:方法错误的定位写帕斯卡尔要找到一个解决方案,以F(X)=0给出的连续函数   f。关于区间[P0,P1],其中f(P0)和f(p1)为必须   相反的迹象:   输入:端点P0,P1;公差TOL;            迭代N 0的最大数目。   输出:近似解p或            该算法失败的消息。

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • 计算飞船相对测站的位置矢量单位矢量在赤道坐标系中的三个分量...
    计算飞船相对测站的位置矢量单位矢量在赤道坐标系中的三个分量-Calculation of the spacecraft relative position vector of the station unit vector in the equatorial coordinate system of the three subscales
    2022-01-31 02:49:56下载
    积分:1
  • 中间的中间
    应用背景数据加密标准,(辅),是一次主要的,对称密钥算法和加密的,加密和电子数据。它在现代科技的进步中具有很强的影响力,在学术界也有很强的影响力;关键技术C++  ;(发音为 ; ; ;CEE加+,/ˈ四ː ;PLʌ的 ;PLʌ/)是一个通用的 ;编程语言。它有 ; ;势在必行,面向对象的通用 ; ;编程功能,同时还提供低级别的内存操作设施。它的设计与偏置向上,系统编程和嵌入式,资源受限和大型系统,性能,效率和灵活性,其设计亮点。
    2022-08-10 23:22:37下载
    积分:1
  • 虚假位置方法
    虚假位置方法 or 经常假方法是一个期限为问题的解决方法在算术、 代数和微积分。简单来说,在这些方法首先试图评估使用测试 ("假") 的值的变量,一个问题,然后相应地调整值。
    2023-08-01 08:45:04下载
    积分:1
  • JPEG图片转换成BMP图片
    这个程序是功能是将JPEG图片文档转换成BMP图片文档。 包括JPEG文件解码,BMP文件输出。 VC++6.0下编译通过。
    2022-04-07 02:22:17下载
    积分:1
  • 停车场管理系统
    设停车场内只有一个的停放n辆汽车的狭长通道,且只有一个大门可供汽车进出。汽车在停车场内按车辆到达时间的先后顺序,依次由北向南排列(大门在最南端,最先到达的第一辆车停放在车场的最北端),若车场内已停满n辆汽车,则后来的汽车只能在门外的便道上等候,一旦有车开走,则排在便道上的第一辆车即可开入;当停车场内某辆车要离开时,在她之后开入的车辆必须先退出车场为它让路,待该辆车开出大门外,其它车辆再按原次序进入车场,每辆停放在车场的车在它离开停车场时必须按它停留的时间长短交纳费用。
    2022-02-21 02:44:31下载
    积分:1
  • 幻方计算器 (大于1)
    幻方计算器 (大于1)-Magic Square Calculator (> 1)
    2022-07-27 22:27:06下载
    积分:1
  • Softmax分类器进行遥感图像分类
    资源描述利用Softmax实现对于IndianaPines遥感图像数据进行分类的代码和实验结果。在使用中用到了一个MinFun的函数库,需要将该库函数放置到.m所在文件夹即可运行。Softmax是Logestic分类器的推广,用于处理多分类问题,其基本思想是将一类和其他所有类划分开来,然后迭代进行,逐渐完成多分类问题。
    2022-12-03 13:15:03下载
    积分:1
  • 关于小波的matlab四种变换,研究小波应用的很需要
    关于小波的matlab四种变换,研究小波应用的很需要-on four Matlab wavelet transform, the application of wavelet research is needed
    2023-01-25 09:00:03下载
    积分:1
  • C++ ItemCF
    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
    2022-03-26 08:57:57下载
    积分:1
  • Interest Calculator
    编写visualbasic
    2022-02-04 06:02:37下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载