棋盘马的遍历

利用关联导纳矩阵形成节点导纳矩阵，用于潮流计算，具有很好的通用性。

VC_chkshj.rar

很简单的程序,只是一个+法运算,给大家玩玩,想下载个资源-GOOD

采用libtommath大数库对中国剩余定理算法通解进行改写，支持128位的大数实现，已测试成功。

资源描述这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，这是一个用Verilog实现的基4的FFT处理器，

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。

稀疏算法对图像去噪， 由于在K-SVD算法中用到了OMP算法和奇异值分解SVD算法，而当图像较大时，OMP算法中的矩阵求伪逆运算效率非常低、奇异值分解SVD不仅耗时而且占用内存较大，常导致“超出内存”问题。针对上述问题本课题提出了基于矩阵shelesky分解和近似奇异值分解SVD的稀疏K-SVD噪声抑制方法来对自然图像进行噪声抑制，同时在字典训练过程中结合了“全局训练字典”的普适性，该方法有效的提高了K-SVD算法的运行效率、解决了“超出内存”问题，并且提高了去噪效果。

大整数计算-large integer calculation

全零（“0．0．0．0”）地址对应于当前主机。全“1”的IP地址（“255．255．255．255”）是当前子网的广播地址。 在IP地址3种主要类型里，各保留了3个区域作为私有地址，其地址范围如下： A类地址：10.0.0.0～10.255.255.255 B类地址：172.16.0.0～172.31.255.255 C类地址：192.168.0.0～192.168.255.255

这是VC迷宫的代码，写的很整洁，非常的好，下载了即使可以用，声音什么的没有设置