多

曲线拟合源码，简单好用，觉得很有用，也是网上找来的-curve fitting source, simple user-friendly, feel useful, but also brought the Internet

在VC 6.0环境下实现，利用A*和小根堆算法来实现寻路，可设置起点与终点，设置简单迷宫。代码的注释详细，且使用代码简单，初学者也能看懂，能够了解A*的基础

在VC下的一个小型计算器-the VC of a small calculator

这个工具箱提供了功能以及示例和演示的数值积分与大多数已知的正交规则的功能。函数 （被积函数） 可以定义为内联函数，如函数处理，作为单独的 m 文件，或甚至如表列离散数据。为每个正交规则该软件包包含：(a) 函数积分的计算点 （即它们的节点或坐标或横坐标和相应的权重），（如果这是可能的。(b) 执行数值积分的函数(c) 核实上述职能此程序包中包含的集成规则如下所示：（内联函数/函数句柄/m 文件 Clenshaw-柯蒂斯 1） 自适应方法(2) 自适应高斯-Kronrod 方法内联函数/函数句柄/m 文件(3) 自适应高斯-勒让德方法内联函数/函数句柄/m 文件(内联函数/函数句柄/m 文件 4) 自适应高斯点法(5) 自适应梯形法则为内联函数/函数句柄/m 文件的(6) Clenshaw-柯蒂斯方法内联函数/函数句柄/m 文件(7) 高斯-切比雪夫方法内联函数/函数句柄/m 文件(8) 厄米高斯方法内联函数/函数句柄/m 文件(9) 高斯-Kronrod 方法内联函数/函数句柄/m 文件(10) 拉盖尔-高斯方法内联函数/函数句柄/m 文件(11) 高斯-勒让德方法内联函数/函数句柄/m 文件(内联函数/函数句柄/m 文件 12) 高斯点法(13) 米尔恩方法内联函数/函数句柄/m 文件 （举个例子）(14) 牛顿柯特斯列表功能(15) 牛顿柯特斯对于内联函数/函数句柄/m 文件(16) Romberg 方法内联函数/函数句柄/m 文件(17) Simpson 方法内联函数/函数句柄/m 文件(18) 梯形规则列表功能(19) 梯形法则为内联函数/函数句柄/m 文件的(20) 维德尔方法内联函数/函数句柄/m 文件 （举个例子）所有功能充分验证和优化，以最大化性能。所有的功能，除了那些整合表列 （离散） 的数据，可以集成在一次操作的多个时间间隔，即这个数值积分工具箱进行了矢量化。间隔时间

应用背景主要应用于目标的跟踪，在跟踪上我们主要利用时间的序列，而忽略了空间的利用，本文就是来讨论空间在跟踪过程中的对目标跟踪的作用，通过计算目标的空间背景特性来改善目标跟踪过程中的丢失遮挡问题，从而得到良好的跟踪结果。关键技术关键技术就是通过计算目标空间的特性，并在下一帧中找到目标的空间特性，来进行追踪，这样就可以很好的解决目标的遮挡提高目标的鲁棒性，利用追踪，这段代码还不完善，希望大家可以再次改进。

离散相关和自相关的快速算法-separated from the relevant and related to the fast algorithm

You can use this site at a number of levels:  - You can look at the stemming algorithm definitions themselves, and use them as templates for coding your own versions of stemmers in the computer language of your choice.  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

曲线拟合-Curve Fitting

应用背景在世界坐标系中已知的矩形点，在摄像机图像中出现，得到了变换和逆变换。视觉工作室2010。m_homography相化学图谱学；的…m_homography。设定值（m_ptregion，350，600）；…图片上的双= 100；双五= 200，/ /或点对图像双×，，，和，/ / / /，世界坐标；m_homography。cam2world（U，V，X，Y）；…双U1，V1；m_homography。world2cam（x，y，U1，V1）；关键技术四点在世界坐标如下：（0,0），（一，0），（A，B），（0，B）四点在摄像机坐标如下：（u0，v0），（U1，V1），（U2，V2），（U3，V3）然后，得到的变换矩阵是简单的。W = HX，W =（U，V，1）T，X =（x，y，1）Tx = w-1w ； ； ； ；  H1 H2 H3； ；H =  ；H4 H5  ； ；H6 ； ； ； ；H7 H8  ； ；H9h2y + H3 = H1X + U（h7x + h8y + H9）h4x + h5y + H6 = V（h7x + h8y + H9）

FP增长算法中频繁项集挖掘中的一个。它可用于查找数据库中设置的频繁项目。它会以树结构格式的输出。它比Apriori算法，因为没有候选人的产生更有效率。强关联规则生成的执行输出。