基于labview的温度采集监控系统

计算自然对数底数e的程序 可选不同位数 -calculation of natural causes a few e optional different procedures median

heapsort用于按升序和降序排列元素。我们有两种类型的堆：最小堆还有马克斯·希普。Heapsort是一种基于比较的排序算法。它是选择排序族的一部分。堆排序使用几乎完全的二进制搜索树。树堆排序算法的时间复杂度为o（nlogn）

Algorithm Design Manual 欢迎你下载ginger547的算法系列资料-Algorithm Design Manual ginger547 welcome you to download the information algorithm Series

this Matlab Circular convolution file name is circonv.m-this is Matlab Circular convolution file name is circonv.m

资源描述应用高斯模型对颜色进行识别，本算法对颜色进行了一个模糊分类并识别，算法中可以识别的颜色现在总共只有10种，大家根据算法思路经行扩展以便识别更多类的颜色。当前的研究是为了经行车辆的颜色分类识别，所以注释中有车辆相关的关键词，虽然实验的图片是使用的一张非车辆图片。

这个是蒙特卡罗方法的讲义 ，主要内容为蒙特卡罗方法的产生方法和用途-the Monte Carlo method is the lectures, mainly as the Monte Carlo method uses methods and

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

运筹学中的分支界定算法，c++代码，可以运行-Define a branch of operations research in algorithms, c++ Code can run

应用背景可以做一个时钟，同时可以学习时钟芯片的通信和LCD1602的显示，从实用上体会单片机编程的乐趣关键技术通过使用DS1302时钟芯片保存时间，再由LCD1602显示时间

分割算法在数据挖掘中使用。用此算法对数据挖掘课程我开发的 java 代码上。我注意到这种算法是可用的