卡尔曼滤波是一种递推估计，估计的随机状态。

研究生期间上《数值计算方法》课的作业，所有代码都是C语言实现并调试通过，现在上传为大家服务。这是不动点算法-"numerical methods" courses of operations, are all code and the C language debugging passed, and upload to us. This is the fixed point algorithm

数值算法，黄金分割搜索演示-numerical algorithm, 0.618 search demonstration

计及任意大整数单元-受支持的操作：分配、 加、 减、 乘、 鸿沟，模相比，阶乘（限于运行时的最大整数的阶乘将可能限制它对少得多）所有操作都是 TInteger 类的方法和替换的值与结果。对于二进制运算 （除了阶），第二个操作数是作为一个参数传递给该过程。

应用背景在学习粒子群的过程中，在网上得到了许多宝贵的资源，受益颇多。但从网上下载的粒子群程序大多for循环和if判断满天飞，运行效率不高，这里给出一个简单易懂的粒子群和大家共同学习，整个过程除了迭代使用while循环外再无其它for和if语句，关键技术这里给出一个简单易懂的粒子群和大家共同学习，整个过程除了迭代使用while循环外再无其它for和if语句，充分发挥MATLAB的并行计算性能。其中还可以实现简单的约束优化问题，方便大家改造。

Rivest、Shamir 和 Adleman设计了一种算法，可以实现非对称加密。这种算法用他们三个人的名字命名，叫做RSA算法。从那时直到现在，RSA算法一直是最广为使用的“非对称加密算法”。只要有计算机网络的地方，就有RSA算法。

实习性 动态数组(第二版) 大量数据的管理是很多程序员的心病，很难找到一个速度快、效率高、支持超大规模数据的表动态数组是一个功能强大的列表形数据管理链表，利用它可以轻松实现超大数据量的随机插入、删除、修改等操作，它另外一个特点就是速度极快，内存利用率高。 -Practice of dynamic arrays (Second Edition) a large amount of data management is the heart of many programmers, it is difficult to find a fast, high efficiency, support for ultra-large-scale data table dynamic array is a powerful list of shape data management list using it can easily realize large amount of data random insert, delete, modify, such as operation, it is another feature of this approach is extremely fast, high memory utilization.

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

//产生0-1之间均匀分布一个随机数// /////////////////////////////////////////////////////////////// //传入参数:r--双精度实型变量指针,指向的单元存放随机数种子值//// //传出参数:p:产生0-1之间均匀分布一个随机数 -//0-1 have a uniform distribution between random numbers// //////////////////////////////////// ///////////////////////////// imported parameters : r-- double precision real- variable pointer to the storage unit random number seed////// out parameters : p : 0-1 produce a uniform distribution between random numbers

一个VB小程序,能够进行大数的计算,可以作为学习的参考-a small procedure to carry out large numbers of calculation can be used as reference for the study

好东西 好东西 好东西 好东西 好东西-haha