很不错的哦C常用算法程序集

AI::Categorizer is a framework for automatic text categorization. It consists of a collection of Perl modules that implement common categorization tasks, and a set of defined relationships among those modules

一个利用KDD1999数据集而完成的改进K-means聚类算法的实现.-A use of data sets KDD1999 completed to improve the K-means clustering algorithm.

利用高斯正反算进行坐标的转换，测绘专业必备之程序。-use Gaussian count for positive and negative coordinates of the conversion, mapping professionals required procedure.

应用背景Massive multiuser MIMO (MISO): ◮ M ≫ K ≫ 1 (think 100 × 10 or 500 × 50) ◮ coherent, but simple, processing ◮ Potential to dramatically improve rate & reliability ◮ Potential to drastically scale down TX power ◮ Not only theory, at least one known testbed (64× ∼10) 关键技术 Massive MIMO Operation Not enough resources for pilots & CSI feedback, so operate in TDD. ◮ On the uplink, ◮ acquire CSI from uplink pilots and/or blindly from data ◮ detect symbols ◮ M ≫ K ⇒ linear processing (MRC, ZF, MMSE) nearly optimal ◮ On the downlink, ◮ use CSI obtained on the uplink ◮ make necessary adjustments based on reciprocity calibration ◮ apply multiuser MIMO precoding ◮ simple precoders desirable (and very good!): MRT, ZF, MMSE, ... ◮ MRC/MRT operation ◮ intracell interference will appear as

由于波源和接收器( 或观察者) 的相对运动, 使 观测到的频率与波源的实际频率出现差别. 这种现 象称为多普勒效应.

返回用户可能感兴趣的元组是多准则决策的最重要目标之一。顶部 k 查询和天际线查询都是两个具代表性的查询。顶部 k 查询其优点是向用户返回元组的数目有限，但需要用户给他们确切的效用函数。轮廓查询有其优点用户不需要给其确切的效用函数但没有控制着要返回的元组数目。在本文中，我们研究了 k 遗憾查询，最近提出的查询，综合两个具代表性的查询的优点。我们先找一些有趣的几何性质为 k 遗憾查询。我们基于这些属性，定义候选点称为快乐点 k 遗憾查询，不在文献中研究了一套。这一结果不仅所有现有的算法，还所有新算法，以针对 k 遗憾查询是非常基本并且互惠互利。自从发现快乐点数目很小，可以显著改善所有现有算法的效率。此外，基于其他的几何性质，提出了两种有效的算法，每一种比最著名最快的算法更有效地执行。我们的实验结果表明我们提出的算法比跑得快的最著名的方法在合成和真实数据集上。尤其是，在我们在真实数据集上的实验中，最著名的方法花了 3 小时的时间来回答 k 遗憾查询，但我们建议的方法之一，花了大约几分钟和另一次在一秒钟内

应用背景c语言课程设计，目前对于理科大学生来说，c语言是大学中的一门必修课，此系统为c语言的学习提供了很好的参考。关键技术利用c语言结构体实现的学生成绩管理系统，利用了c语言机构体，并实现了c语言结构体的增加，删除以及排序等算法。

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。 是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递归的方法。

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。

使用C#编写，在一个画图面板 上通过绘制控制点来得到NURBS曲线，并可以对曲线进行平移、缩放、旋转等操作。