这是数字信号处理――matlab释义与实现一书的源代码

快速傅立叶变换 采用c++编程 有源代码-FFT by C++, with source file

编码器在 DSP 德州仪器 TMS320F28335 的目标配置。这是因为，目的是最大化能量转换的永磁同步发电机 （PMSG） 提出了一种控制方法。这种控制基于瞬时功率成分以及优化策略来获取发电机参考电流的评价。

行尺度主元高斯消元法，算法由两部分组成，分解阶段和求解阶段-OK-scale principal component Gaussian elimination method, the algorithm consists of two parts, decomposition stage and the solution phase

该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递归的方法。

import java.util.ArrayList; public class Prim { double[][] matrix; //从0开始，邻接矩阵 double t; //记录时间 int num; //节点数 float bestc; //最优路径距离 int start = 0; 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

该程序主要包括计算输出值、感知器学习算法（权值的调整）

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

《optimization using nondominated sorting genetic algorithms》的论文中提出的。该算法在快速找到Pareto前 沿和保持种群多样性方面都有很好的效果，不过在这么多年的应用中也出现了如下的一些问题： 1。非支配排序的时NSGA2主要是对NSGA算法的改进。NSGA是N. Srinivas 和 K. Deb在1995年发表的一篇名为 《Multiobjective function间复杂的很大，为O（MN3）。其中M为目标函数的数量，N为种群规模。 2。不支持精英策略。精英策略在保持好的个体及加速向Pareto前沿收敛方面都有很好的表现。 3。需要自己指定共享参数。该参数将对种群的多样性产生很大的影响。 NSGA2算法将在以下方面进行改进： 1。快速的非支配排序     在NSGA进行非支配排序时，规模为N的种群中的每个个体都要针对M个目标函数

非线性土体有限源程序，包含接触单元等等，功能挺好 -Soil non-linear finite source