多维傅里叶变换，二维DFT快速算法，共分五部

资源描述这是用哈希函数，sha2实现的加密算法，C语言。这是用哈希函数，sha2实现的加密算法，C语言。这是用哈希函数，sha2实现的加密算法，C语言。这是用哈希函数，sha2实现的加密算法，C语言。

这是一个用visualprolog7.0编写的一个专家系统的实例-This is a visualprolog7.0 prepared by an expert system examples

它用来计算车轮围此程序。 可以运行它在 linux 终端 (GCC 编译器） 中的命令： "海湾合作委员会 wheelcircunferencecallculator.c-o wheelcircunference" 及后 "。 / wheelcircunference" 它是所有。

采用遗传算法，解决一个订单多个工件的柔性工艺路线规划问题。此程序各个功能均以单个function写出，清晰明了，可以用于结局所有类似问题。

KMEANS 利用两相的迭代算法来减少点到形心的距离，K 的所有群集的都总和的总和。第一阶段使用文献通常描述作为"批"的更新，每次迭代组成的就是重新分配到他们最近的群集质心点一下子，紧接着簇中心的重新计算。这一阶段可以看作是提供速度快，但可能只有近似解作为起始点，第二阶段。第二阶段使用文献通常描述作为"上线"的更新，在那里点单独重新分配如果这样做会降低的距离，总和和簇中心则在每个重新分配后重新计算。在这第二个阶段的每次迭代包含一通虽然所有的点。KMEANS 可以收敛于局部最优解，在这种情况下是在哪个移动到不同的群集的任何单点增加的距离总和的点的一个分区。这个问题只能是解决了起始点的聪明 （或幸运，或详尽无遗） 的选择。IDX 分为不同的 K 组 = KMEANS （X、 K） 分区 N 由 P 数据矩阵 X 中的点。此分区减少总和，在所有的群集，群集内款项的点到聚类质心的距离。X 行对应于点、 变量对应的列。KMEANS 返回 N 由 1 向量 IDX 包含每个点的聚类指数。默认情况下，KMEANS 使用平方欧氏距离。

JDBC ™ API 被设计为使简单的事情保持简单。这意味着 JDBC 是日常数据库任务轻松。这条小道走你通过使用 JDBC 执行常见的 SQL 语句，并执行其他目标，共同为数据库应用程序的例子。JDBC API 是一个 Java API，可以访问任何类型的表格数据，特别是数据存储在关系 databaseDBC 帮助您编写 Java 应用程序管理这些编程的三个活动： 连接到数据源如 databaseSend 查询和更新到 databaseRetrieve 的语句并处理结果收到答复你董事长 JDBC ™ API 提供编程访问到关系型数据从 Java ™ 编程语言中的数据库。使用 JDBC API，应用程序可以执行 SQL 语句，检索结果并将更改传播回基础数据源。JDBC API 也可以与在分布式异构环境中的多个数据源进行交互。JDBC API 是 Java 平台，其中包括 Java ™ 标准版 （Java ™ SE） 和 Java ™ 企业版 （Java ™ EE） 的一部分。JDBC 4.0 API 被分成两个包： java.sql 和 javax.sql。这两个包都包括在 Java SE 和 Java EE 平台。在这 TP，您将学习 JDBC API 的基础知识。

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

数值算法库for Unix，含有很多数值算法- Value algorithm storehouse for Unix, includes the very many values algorithm

C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习：给定一个数据集，其中的每一个元组都能用一组属性值来描述，每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习，找到一个从属性值到类别的映射关系，并且这个映射能用于对新的类别未知的实体进行分类。 C4.5由J.Ross Quinlan在ID3的基础上提出的。ID3算法用来构造决策树。决策树是一种类似流程图的树结构，其中每个内部节点（非树叶节点）表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点存放一个类标号。一旦建立好了决策树，对于一个未给定类标号的元组，跟踪一条有根节点到叶节点的路径，该叶节点就存放着该元组的预测。决策树的优势在于不需要任何领域知识或参数设置，适合于探测性的知识发现。 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

使用折线对任意多边形进行分割（不包括掏空多边形）