矩阵相乘（C实现）

黄金分割的程序实了例，求COSX的最大值-0.618 process does the cases, seek the maximum COSX

VC实现的MD5加密算法源码，包括完整的VC代码，可用VC6打开，编译调试，还包括测试数据和测试用例，可直接拿来使用，有很高的利用价值。也是从其他地方下载的，忘记是哪里下载的了。

资源描述 python SCAN算法实现（structural clustering algorithm for networks） 关于格式的输入请用python的第三方类库networkx 该第三方库好用简便

应用背景在arm7 的stm32f103zet6芯片上实现电子日历的制作，采用定时功能来实现，可以自己设置显示的时间范围关键技术采用arm7 的stm32f103zet6的定时功能来制作电子日历，先确定日历最早日期，然后算出起始日期到当前日期的总秒数，在初一一年的秒数来实现时间分割

一个用vc编写的调度算法程序-vc prepared with a scheduling algorithm procedures

年龄计算小程序，精确到天，呵呵，新手~-age calculation procedures for small, precise to the day, what novice ~!

资源描述本程序利用SVM对进行模糊信息化后的上证每日的开盘指数进行了变化趋势和变化空间的预测。

应用背景里德-穆勒码(Reed-Muller，RM)是一类纠正多个差错的编码。这类码构造简单，结构特性丰富，可以简单地通过采用软判决或硬判决算法的好几种方式来进行译码。本论文采用的RM编译码算法是：长度为(n, k)的Reed-Muller 码的编码方法是将生成矩阵×knM与输入数据向量×1kx按矩阵相乘，对每个元素对2 取模，即可以得到编码数据向量。而译码算法则是采用大数逻辑译码。关键技术本程序用C语言实现RM的编码和译码

数学变换和滤波fft程序 kfour 傅里叶级数逼近 kkfft 快速傅里叶变换 kkfwt 快速沃什变换 kkspt 快速三次平滑 klman 离散随机系统的卡尔曼滤波 kkabg α-β-γ滤波-Fft math transformation and filtering procedures kfour Fourier series approximation kkfft Fast Fourier Transform Fast Walsh Transform kkfwt rapid kkspt three smoothing klman discrete stochastic system Kalman filter kkabg α-β-γ filter

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