C#滤波算法

主要用于分类。adaboost是目前分类最好的分类算法。通过不断学习改变样本的权重达到更好的分类效果。

应用BP算法实现模型辨识。 程序中给定输入，和实际输出，辨识模型可跟随真实输出值。绘制误差图，模型输出与真实值的对比图。

 比较详尽的GEP的python版本，包括了GEP常用的算法实现。GEP算法的基本过程和GA的过程非常相似，GEP处理的对象可以是单基因或多基因组成的染色体（基因组）。基因由线性的、固定长度的符号串组成。

数据结构课程设计――家谱管理系统设计与实现-A Course design of data structure the design and implementation of stemmata management system.

    该程序是用matlab仿真BP译码算法的译码性能曲线，同时证明了gallager引理。程序中可以自由设置码长，迭代次数，仿真点数，通过这些参数的设置可以得到精确度不同的误码性能曲线。

从 c + + 的.txt 文件中读取文本。此功能可帮助您阅读 txt 文件，如果你是一个初学者，使用很方便

以前看到很多人写小游戏，所以想尝试自己经过长时间的努力学习一点c#写一个小游戏，有人会给一些建议

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

实现直线段和多边形的扫描转换，利用基于GLUT平台交互式程序验证算法有效性，支持用户用鼠标画直线（bresenham法实现）、多边形（扫描线转换算法）

stm32驱动OV7670显示TFTili9325的程序。有详细的硬件连接说明。经测试可以完美运行，适合初学，适合修改、