计算机视觉实验图像检测人脸识别

经典算法巴斯角三角形的实现，类似中国古代的杨辉三角#include #define N 12 long combi(int n, int r){     int i;     long p = 1;     for(i = 1; i

该算法应用蚁群算法，在蚁群算法的基础上应用于有约束条件的最优化问题。-The algorithm is applied ant colony algorithm, the ant colony algorithm based on the conditions applied to the most constrained optimization problem.

应用背景On the Design of ZF and MMSE Tomlinson-Harashima Precoding in Multiuser MIMO Amplify-and-Forward Relay System,it is main described the mimo system in the multi-user  scenario.the main precoding algrithm is combined the zf precoding and the MMSE precoding.关键技术we design a zero-forcing (ZF) Tomlinson-Harashima precoding (THP) and a minimum mean square error (MMSE) THP for multiuser MIMO relay system with direct link. Based on these precoding structures, we propose the optimal combining weights of the ZF THP and the MMSE THP in half duplex relay system, and the sub-optimal weights of MMSE THP to reduce feedback channel state information(CSI). Through the Monte Carlo simulation, we verify that the optimal weights combining method outperforms the constant weights combining method. In addition, we confirm that the performance of the sub-optimal weights combining method is&

一个3,9码生成动态库- 3,9 yard productions dynamic storehouses

这是基于MFC的sift算法，在VC上运行通过，代码注释比较详细，分块比较清晰，通过按键可以生成高斯金字塔，差分金字塔特征点和方向，已经特征点的文档

monte carlo方法在各个方面中的小应用-monte carlo method in all aspects of small applications

分酒问题C++源代码-hours liquor issue C source code

设有n个件工作分配给n个人。将工作i分配给第j个人所学要的费用为Cij。试设计一个算法，为每个人都分配1件工作，并使总费用达到最小-With n-pieces of work assigned to the n individuals. Will be allocated to the first j of work i personally have learned to cost Cij. Try to design an algorithm for each person assigned a work, and to minimize the total cost of

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

这是一种新的人工鱼群算法的改进算法，然后利用人工鱼群算法优化神经网络，并且和粒子群算法优化神经网络模型进行了对比，通过对比可知人工鱼群算法优化性能好于粒子群算法