elliptic partial differential equation algorithm applied to solving rectangular...

这是由两个摄像头 （立体照相机） 获取 abaglifo 算法。它是在 c + + 编程与 OpenCV。

用C语言编写一个能计算当前日期是本年第几天的程序（可区分闰年问题哦）-C language one can calculate the date of the current year is the first few days of proceedings (which can distinguish between a leap year problem oh)

应用背景“1024，”veewo工作室开发一个应用程序，遵循类似的模式个“，”以其滑和匹配系统。而是用瓷砖代替建立更大倍数的三，“1024”改变了它的游戏模式依靠指数的数字2。虽然“1024”看到了一些成功在应用程序商店，它也会被迅速掩盖快节奏的克隆由斯路理。关键技术1024是基于2048，一个非常容易上瘾的游戏。1024就像是易版的2048。达到瓦1024赢得比赛！“1024”迅速崛起，有效地扯个“，”使用箭头键移动瓷砖。当有相同数量的瓷砖时，它们合并成一个！享受这个游戏！

实现有限元软件ａｎｓｙｓ输出单元编号的按高程随机选取-Ansys finite element software to achieve the output unit numbers randomly selected by the elevation

本程序包含LS信道估计方法和MMSE信道估计方法，程序已经验证，当可以获得训练符号时，最小二乘（LS）法信道估计由于简单而被广泛用于信道估计。将训练符号用于信道估计，可以提供较好的性能，即降低误码率（BER），该程序正确可用，且带有注释，方便理解运用！

个人原创的数据回归性分析的fortran，编程无误使用方便，可以根据自己实际情况进行适当修改

该算法用java程序实现，对传统蚁群算法有一定的改进，不仅使用了轮盘技术而且很大程度上缩短了搜素时间并提高效率，迭代次数减少，有一定的优化。

用拉格朗日插值公式，对给定的n用离散数据进行插值计算。-Lagrange interpolation formula, the right to use discrete n data interpolation.

一个最基本的二维传热有限元计算程序,适合初学者参考-A basic two-dimensional heat transfer finite element program, suitable for beginners reference

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