A code which employs the SIMPLE

Very simple program that can fire laser rangefinder MDL laserACE300 remotly via rs232 and register output to file - work only with this type and ither my programs can fire many MDL s-Very simple program that can fire laser rangefinder MDL laserACE300 remotly via rs232 and register output to file- work only with this type and ither my programs can fire many MDL s

这是一个集交互式和命令式于一体的一个程序。 ％ 首先程序提示你输入数据，如果你输入的数据正确，则程序继续进行。 ％ 如果你输入的x,y的大小不一致，程序会提示你输入数据有误，然后程序返回再次让你输入数据。 ％待你输入数据正确后，程序会给你一段提示信息， ％ 通过下面的交互式图形，你可以事先估计一下你要拟合的多项式的阶数，方便下面的计算 ％ polytool()是交互式函数,在图形上方[Degree]框中输入阶数,右击左下角的[Export]输出图形 ％ 回车打开polytool交互式界面 ％ 待你回车后，交互式图形界面打开，你可以在图形上方[Degree]框中输入阶数观察多项式拟合的图形, ％ 选择置信区间最小的多项式阶数，以便在下面使用。 ％ 待你选择好所要拟合的多项式阶数后，程序提示你回车继续进行拟合。 ％ 待你回车后，程序提示你输入拟合的阶数， ％ 待你输入拟合的阶数后，回车后会显示拟合多项式相关的数据。 ％ 最后程序提示你输入所需拟合的数据点，输入所需拟合的数据点，就会得到相应的结果。 ％ 如果没有所需要拟合的数据点，直接回车跳过。 ％ 程序结束。 ％ 最小二乘法多项式拟合-err

现在目前为止所有可能出现的二值化程序，您可以调试自己的程序效果，十分方便。

资源描述数据挖掘中的关联规则发现算法——apriori的c++实现。数据输入是在窗口中输入，根据提示即可。注意事项：1.除了最后的阈值设定为小树（小于1大于0），其余全部为整数。中间事务的输入用空格隔开。建议3个以内。

资源描述维特比算法的通俗理解就是动态规划的最短路径，在这里不再赘述，如果真的想仔细研究的话请参见《数学之美》

分数阶傅里叶变换计算方面的文章，另附程序清单-Fractional Fourier transform calculation of the article, followed the list of procedures

Great articles on noising method algorithm for travelling salesman problem-Great articles on noising method algorithm for travelling salesman problem

我们的计算方法作业 线性方程组的Gauss消元法（不选主元法）算法实现-our method of calculating operating linear equations Gauss elimination method (Pivot) Algorithm

汉诺塔游戏，根据用户输入盘子移动的位置来移动盘子，并显示状况-Tower of Hanoi game, according to the user to enter the location of the mobile plate to move the plates, and display status

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