利用MATLAB PCA（主成分分析），k_means图像分割去…

边界元法求磁场的计算代码,主要计算部分有注释-Boundary element method code in order to calculate the magnetic field, the main computing part of the annotated

本程序为C++语言编写，根据贝塞尔函数的圆柱形递推公式编写，用于求解任意阶的贝塞尔函数。

信用卡供应商为他们在客户身上寻找什么设定了他们自己的标准，而你是否会被接受往往是一个雷区。当应用程序在你的文件上留下标记时，太多的点击可能会产生负面影响。

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

基于GPU进行快速科学计算，速度远比CPU快得多。这是在GPU上实现FFT运算的程序代码-GPU-based fast scientific computing, speed is much faster than the CPU. This is achieved in the GPU computing FFT code

离散傅立叶反变换 (ＩＤＦＴ)及其快速算法 (ＩＦＦＴ)通常是针对一般的复数序列定义和推导的 , 而在实际应用中 ,进行时频分析的信号大多是实数信号 ,即实序列。 是基于C语言编写的基于时间抽取的基二实序列FFT傅里叶变换算法和IFFT傅里叶反变换算法。

通过MFC写的五子棋源码，有兴趣的欢迎交流              对算法和界面，相关源码应有尽有                     哈哈，还等什么，快下载把        嗯。。。。      

冒泡排序和汉诺塔问题的递归算法实验报告好东西来下载啊-Bubble Sort and Tower of Hanoi " problem of the recursive algorithm experimental reports, good things to download ah

用matlab求解的一个Lagrange插值多项式问题-Using matlab to solve the problem of a Lagrange interpolation polynomial

程序为采用matlab写的一个带孔圆板的EFG程序，这是一个学习和验证算法的标准算例，给出了可调控网格密度的网格生成程序，做数值算法的必学的程序