使用嵌入式零树小波的图像压缩

ARQ-算法它是 Java 开发的并且描述了在按定义的算法 ARQ pesudocode 函数中生成。这种描述可以利用改性的所有代码和用户的必需品。

n皇后问题，亦是经典算法与分析题目，通过回溯的方法，解决此问题-n queens problem, is also a classical algorithms and analysis of the subject, through the back way to solve this problem

输入行数 n 和首数字字符，在屏幕上输出由数字围起的高和下底宽度均 n 的空心梯形。 要求：输出的数字是循环的，即输出数字 9 后再输出的数字是 0。输入：  行数n 和首字符输出：    空心梯形例：输入：5 5输出：5 6 7 8 9 0 1 0 9 8 7 6 5 6 6 7 7 8 8 9 0 1 0 9

一元多项式相加程序-One of the polynomial sum of the procedures

1、CserialPort实现了简单而强大的多线程串口编程工具，CserialPort类是在Remon Spekreijse设计的CSerialPort类基础上设计的，并增加了对二进制数据传输和块读写方式的支持和其他功能函数；2、实现了Smith预估器与PID控制的结合；

FPgrowth is the one of the algorithm in frequent item set mining. It is used to find the frequent item set in a database. It will give the output in tree structure format. It is more efficient than apriori algorithm because there is no candidate generation. 

分形云（或灰尘）开始形成从一个用户定义的点P（A，B，X，Y），并通过大量的重复一些变换得到一些很酷的照片。因为事实上，我们可以顺着小径起点是离开（P0开始吧，p1-1st迭代，P2第二，的…PX即点图）图也被称为轨道（轨迹）的动态系统。得到一个粗鲁的估计是，B，X和Y是很好用的我你准备好clouds.xls。1 6张显示计算的序列这里给出的模式实例1 6。x()表显示图形的样子计算序列低接参数（有一些评论为什么）。提交575 K因为xls文件。

利用VB6编写的一个CRC计算类，支持CRC-16（x16+x15+x2+1）算法和CRC-CCITT（x16+x12+x5+1）算法，每种算法都支持选择先计算低字节还是先计算高字节，非常适合嵌入式系统的辅助计算，已被运用于嵌入式系统的辅助工具中。类中包含计算进度事件，可以在事件中显示计算进度。

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