using a tree branch to paint the procedures written in vb

比奥固结平面有限元程序，用于计算地下水位及地面沉降-Biot" s consolidation plane finite element program, used to calculate the water table and land subsidence

EMD，相关，m文件EMD，

可读入点数据来生成二维非结构网格，点数据存贮于文件中，自己先准备好，用fps运行编译程序即可，输出的网格数据存储于grid及tec文件中，可通过plot软件实现生成网格的可视化

基于无线传感器网络分簇路由算法LEACH的一些改进代码，相比LEACH算法而言，新算法在延长网络的生命周期，减少网络节点能耗问题上都有一定的改善，比较适合初学者学习。

共梯度算法程序代码.数学上，共梯度法实求解特定线性系统的数值解的方法，其中那些矩阵为对称和正定。共轭梯度法是一个迭代方法，所以它适用于稀疏矩阵系统，因为这些系统对于象乔莱斯基分解这样的直接方法太大了。这种系统在数值求解偏微分方程时相当常见。 共梯度法也可以用于求解无约束优化问题。 -Total gradient algorithm program code. Mathematics, the total gradient method for solving a particular linear system is the numerical solution methods, including those for the symmetric and positive definite matrix. Conjugate gradient method is an iterative method, it applies to sparse matrix systems, because these systems such as the Cholesky decomposition of the direct method is too high. Such systems in the numerical solution of partial differential equations are quite common when. Total gradient method can also be used for solving unconstrained optimization problems.

rough set code in matlab~~ 包括：1、data reduction with fuzzy rough sets or fuzzy mutual information         2、fuzzy preference rough set based feature evaluation and selection        3、fuzzy preference rough set based feature evaluation and selection        4、Neighborhood rough set based feature evaluation and reduction

用vc++实现三角函数的求值，可以求sin cos以及反三角函数的值-vc used for the realization of trigonometry values can help sin cos Anti-trigonometric functions and values

这时决对正确的数值转换器-time to correct summary of numerical converter

填充矩阵（从外向内顺序填充自然数）-filled matrix (from the outside in order to fill natural number)

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