K-means 的C++实现

bp神经网络在语音识别中的应用，同时利用Matlab进行仿真得到结果。  神经网络是近年来信息科学、脑科学、神经心理学等诸多学科共同关注和研究的热点。由于其具有良好的抽象分类特性,现已应用于语音识别系统的研究和开发，并成为解决识别相关问题的有效工具。文章在讲述语音识别过程的基础上重点讨论利用BP神经网络对语音进行识别,用matlab完成对神经网络的训练和测试,并获得满意的结果。

人脸检测源代码，这是非常强大的算法。用户的网络摄像机和IP摄像机的识别

主要使用matlab编写的处理中文语料的tf-idf文档，可以实现对文本的词频及逆文本频率进行统计，得出每个词项的tf-idf权重进而对向量模型进行相似度分析，可进行文本分类等相关后续工作

音频信号处理, 用MATLAB实现合唱功能. 包括LFO(低频振荡)的用法,有音频文件的读写操作及, 播放功能.

应用背景该算法的基础上，它的基础上的+ +代码关键技术这个代码库是基于C++ + +代码，这只是简单的代码，但也许可以帮助

人工智能作业，专家系统实现的水果分类小专家系统。-Artificial intelligence operation, expert system classification of fruit a small expert system.

TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术, TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF反文档频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m，而其它类包含t的文档总数为k，显然所有包含t的文档数n=m + k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权重，并选来作为该类文本的特征词以区别与其它类文档。这就是IDF的不足之处。

脊柱码是无比率码一个新的家庭。他们应用一个随机散列函数在消息比特，以产生伪随机比特，这反过来又可以（可选地）被直接映射到一个密集的高斯或均匀星座用于传输。一个好的，甚至是理想的，解决这一问题的---和一个有吸引力的结构在实际的无线网络---是使通信链路无比率。在一个无比率网络，发送编码数据，而无需任何显式估计或改编，隐适应由噪声，干扰，或衰落引入的变化无常。接收机处理数据（码元或比特），因为它到达时，解码它，直到该消息被成功接收。如果代码是好的，那么网络可以执行良好，没有招致的复杂性和实现多个固定速率编码和它们之间的采摘，实施几比特到码元的映射和采摘一个合适的一个，和最后的挑战，但并非最不重要的，估计信道质量，甚至面对不完善和滞后估计采摘好。

经典的中国剩余定理求解程序，输入你所要解的同余式即可按定理求解！-classic Chinese Remainder Theorem solving program, you have to import the solution congruence theorems can be solved by!

此文件包含用于聚类分析的六个独立Fortran程序的完整代码