遗传算法求最大值（任意多元高阶次寻优），在vc＋＋平台下开发...

200495231612.rar

IIR数字滤波器,设计方法,低通、高通、带通、带阻-IIR digital filter design, low pass, high pass, band-pass, band

C++的异质链表,通过定义一个viod* pData的指针来指向任意一个数据类型或者数据类型,通过C++的多态性实现在一个链表中连接不同数据类型的node的效果.可以实现对list的insert,Delete,print的操作. 支持int,char,double,string四种数据类型.在每个node中记录这个节点的type,和相应数据类型的指针,并通过模板实现对不同数据类型的操作.

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

使用递归实现的快速排序法-Quick sort using recursive

牛顿迭代法求根 这个也是计算方法中的常用计算程序 学过的人都知道的-Newton iterative method for solving this calculation method is commonly used in the calculation procedures learned in the people know that the

资源描述 PIXhawk飞控是3DR公司在APM飞控的基础上开发的PX4飞控后的改进版也就是第二版将PMU和PMIO合在一体的多旋翼固定翼以及车，船等航模车模开源控制系统 代码运行在STM32硬件上，内置RTOS系统Nuttx，pix飞控的前身是苏黎世理工大学创立，后SDR等公司成为其中一员。 本代码全部开源，包括硬件资源，详细信息请参考开源网站如下所示： http://pixhawk.org/start http://ardupilot.com/

FaceDetection是一个静态人脸检测程序，注意FaceDetection需要OpenCV提供的库支持， 因此请首先到相关网站上下载并安装OpenCV， 此外本程序需要导入一个分类器文件haarcascade_frontalface_alt.xml， 该文件在OpenCV中提供，请将该文件复制到程序同一目录下，程序即可正确运行。

An example of turing machine

    图像去雾雾，包括雾、霾、沙尘、烟等一切导致视觉效果受限的物理现象。由于雾的存在，户外图像质量降低，如果不处理，往往满足不了相关研究、应用的的要求。在雾的影响下，经过物体表面的光被大气中的颗粒物吸收和反射，导致获取的图像质量差，细节模糊、色彩暗淡。通过一定的技术手段，去掉物体表面的雾霭，增强图片效果显得尤为重要。   Tarel等人提出了一种基于中值滤波的去雾算法，该算法虽然速度比较快，但由于中值滤波不能很好的保持边缘信息，导致得到的大气散射光分布不能很好地反映场景的深度信息。在景深发生突变的边缘区域，无法得到令人满意的去雾效果。 在本篇论文中，香港城市大学针对Tarel去雾方法进行改进。  源码包来自作者的英文主页下载，其中包括作者EI论文原文，PPT，以及全部代码和测试集。对图像去雾领域的研究能提供重要的借鉴意义。