求解 tsp 问题用遗传算法

JAVA制作的fifa2004，可在手机上运行，模拟比赛双方的完整算法，真实还原比赛过程。

这是代码 Hough 变换，其中 detecs 盘旋而通过定义的半径、 阈和三角洲的图像。它可以被用于带圆圈或非盘旋的功能，通过设置正确的阈限。当你降低门槛时，圈子，你正在寻找光流。我希望，它会对你有用

所谓Johnson 计数器，其实说白了无非就是复杂一点的流水灯实验。流水灯加上了按键控制，流水灯的开启关闭和变化方向在按键的控制下进行。本实例是带停止控制的双向4bit Johnson 计数器，可以通过LED 灯直观的在学习板上进行演示。

基于支持向量机的非线性信道盲均衡算法的研究-Based on support vector machine nonlinear channel blind equalization algorithm

MD5算法的源代码 MD5算法的源代码-MD5 algorithm MD5 algorithm source code source code

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

数据挖掘的算法实现，Aprori算法的改进算法，有界面。用于关联规则的挖掘-Data Mining Algorithms, Aprori algorithm to improve the algorithm, the interface has. Mining for association rules

采用FFT和IFFT的快速卷积的C程序实现源代码。-FFT and IFFT fast convolution C program source code.

Alogothym 对称背景图像处理中。通过 dqd 和图像处理线程开发

这是一个利用VC++编写的求逆矩阵的算法，在WindowsXP、2000、98上运行成功。-This is a VC prepared by the inverse matrix algorithm, in WindowsXP, 2000,98 running successfully.