大学里数学系必学的一们课程数值分析中的经典算法――――高斯消去法，在矩阵理论和线形代数及运筹学中有极高的重要性...

用Information Gain构造决策树的方法。 计算各分支的熵 “晴”的分支含2个正例3个反例，所需期望信息量为：         M(天况为晴)＝－2/5 * log2 (2/5)－3/5 * log2 (3/5)　                               ＝　0. 971 bits “多云”的分支，含4个正例0个反例：          M(天况为多云)＝0  “雨”的分支，含３个正例２个反例：           M(天况为雨)＝－3/5 * log2 (3/5)－2/5 * log2 (2/5)　　  

应用背景This is an application-based VC prepared to read camera Face to Face Recognition and face detection software. cited in the MATLAB system function, is a very good face recognition software. The system in my school examination papers reply obtained outstanding achievements. We hope to useful关键技术这是一个应用VC++编写的基于摄像头读取人脸的人脸识别和人脸检测软件，其中引用了MATLAB的系统函数，是一个非常不错的人脸识别软件，这个系统在我校论文答辩审核中获得了优秀的成绩。希望对大家有用

扬辉三角的打印- Raises the splendor triangle the printing

此正则表达式引擎属于正统的NFA引擎，基本兼容Perl，简单说一下引擎是怎么实现的： 首先做一个递归下降语法分析，利用栈把正则表达式转换成NFA(以有向图的形式表现)，再遍历NFA判断是否能到达完成节点。 实现正则表达式匹配的各种复杂功能的力量来自于回溯，而回溯的基础是栈，回溯能力是通过栈来达成的。 栈中保存了匹配路径中所有的状态，状态回溯就是出栈，状态匹配就是入栈。 除了回溯，一些扩展功能的实现也是通过栈来完成的，比如捕获和零宽断言，都要通过搜索或操纵栈来完成。 转换成NFA再匹配的好处是简化匹配和利于优化和DEBUG：因为不管再复杂的表达式转换成NFA之后只有边和节点组成，边和节点也只有顺序、分支、循环这三种形式组成。 详细原理说明看下面关于实现引擎的文章，第3条是我理解引擎匹配原理的入门参考。 支持GBK和UTF8编码   ==参考和学习资料== 关于实现引擎的文章： 1、《Perl语言编程》第五章  书 2、《精通正则表达式》  书 3、构造正则表达式引擎   http://www.cppblog.com/vczh/archive/2008/05/22/50763.html   我的原理学习入门参考 4、NFA引擎匹配原理   http://blog.csdn.net/lxcnn/article/details/4304651 5、英文参考资料   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

捷联惯性导航C语言实现,捷联惯性导航学习使用，参考网上例程编写~

矩阵运算--Matrix calculation

你好，

1.绘制三维lorenz信号图 2.lorenz信号图在三个平面的投影 3.lorenz信号三个方向的时间序列

ASDAASDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDAASDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDdddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddd

使用决策树(Decision tree)分类算法、朴素贝叶斯（Naïve Bayes）算法或者K-近邻（kNN）算法（三者任选其一）对给定的训练数据集构造分类器，并在测试数据集上进行分类预测