只是另一个 Dec2 Bin 转换器

C/A码信号属于伪随机噪声（PRN，Pseudo-random Noise）码系列。C/A码是长度为1023的G码(Gold

人工智能中，经典的基于小波变换的图像处理和图像去噪的解决办法，可下载后观摩使用-Artificial Intelligence, the classical wavelet-based image processing and image denoising solution can be used to watch after download

2009亚洲赛上海网络赛第三题,分享给所有参加ACM的朋友们，以及日后想参考想用的同学们。-The problem I solved at the ACM Aisa of Shanghai

     用C++实现折半插入排序，VC++ 6.0编译通过。算法描述：每趟将一个待排序的关键字，按照其关键字值的大小折半查找到合适的位置，完成插入，直到待排序的关键字 序列为空。     举整理手中牌的例子来说明。每次抽到一张牌后，直接看中间位置的牌，若抽到的牌比中间牌大，再看中间牌到右端的中间位置的牌，如此反复，直到找到插入位置 。

语音信号滤波程序（低通、带通、多带通、fft卷积滤波 自己动手做的-Voice signal filtering process (low-pass, band-pass, multi-band-pass, fft convolution filtering

这是一个追赶法的算法-This is a law to catch up with the algorithm

实现哈夫曼编码的基本功能，包括输入需要编码的字符个数及字符，程序会自动生成哈夫曼编码并且将编码结果进行输出。同时，有解码的过程，可以用于对已经编好的哈夫曼编码进行解码。方便大家进行学习交流。

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

改进的平方根法,比较简单的，用VC实现的-improvements to the square root law, a simple comparison with the VC

图像特征点提取，对于学习图像处理非常有帮助。用于初学者学习还是不错的！