仿VB的InputBox

Shinling&Minhash算法，适用于大数据技术。广工的课程设计，实验报告源文件可参考，原创，感谢分享

计算时间序列的近似熵,英文为Approximate entropy此程序可以较为快速的计算出序列的近似熵。

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

采用高斯背景建模以及帧差法提取出运动物体，然后用camshift算法进行跟踪。对于背景不动的场景，跟踪效果较好。能够很好地学习opencv中相关的函数，算法。对于初学者有很大的帮助。

代码包含二叉树创建以及二叉树的先根序列，后根序列，中根序列三种递归周游二叉树算法，若有错误之处之处，还望指出！谢谢

获取图像LBP局部二进制模式纹理特征的matlab代码，可选输出二进制模式纹理响应图或相应统计直方图，内附test文件

VC实现的MD5加密算法源码，包括完整的VC代码，可用VC6打开，编译调试，还包括测试数据和测试用例，可直接拿来使用，有很高的利用价值。也是从其他地方下载的，忘记是哪里下载的了。

通过浏览文件获取文件的信息，包括创建、修改、写入的日期信息，能够方便的计算出文件的hash值，用来确定是否为官方发布文件还是被修改后的文件。

应用背景功能强大的Matlab零相移数字滤波器filtfilt函数的C语言实现。数字信号处理非常有用的哦关键技术滤波器的频率响应由幅度响应和相位响应两部分组成，在信号处理的某些场合中, 希望设计的滤波器的相位响应能够严格为零。那就要用到Matlab的这个函数，这里将Matlab语言翻译了为C语言。主要就是一些矩阵的运算，高等数学的知识

返回用户可能感兴趣的元组是多准则决策的最重要目标之一。顶部 k 查询和天际线查询都是两个具代表性的查询。顶部 k 查询其优点是向用户返回元组的数目有限，但需要用户给他们确切的效用函数。轮廓查询有其优点用户不需要给其确切的效用函数但没有控制着要返回的元组数目。在本文中，我们研究了 k 遗憾查询，最近提出的查询，综合两个具代表性的查询的优点。我们先找一些有趣的几何性质为 k 遗憾查询。我们基于这些属性，定义候选点称为快乐点 k 遗憾查询，不在文献中研究了一套。这一结果不仅所有现有的算法，还所有新算法，以针对 k 遗憾查询是非常基本并且互惠互利。自从发现快乐点数目很小，可以显著改善所有现有算法的效率。此外，基于其他的几何性质，提出了两种有效的算法，每一种比最著名最快的算法更有效地执行。我们的实验结果表明我们提出的算法比跑得快的最著名的方法在合成和真实数据集上。尤其是，在我们在真实数据集上的实验中，最著名的方法花了 3 小时的时间来回答 k 遗憾查询，但我们建议的方法之一，花了大约几分钟和另一次在一秒钟内