用c语言实现金属方柱散射场的模拟

详细说明：GPS惯性导航系统,解压后会有5M,这是我利用C#针对嵌入式WinCE做的一个GPS/惯性导航系统的组合 定位软件，包括了卡尔曼滤波算法（含矩阵控件），界面显示，GPS串口接受，滤波结果输出以及WinCE应用调 试控件，超强吧！直接下载可以在Visual.Net下调试使用。

神经网络遗传算法函数极值寻优——非线性函数极值寻优

通过键盘控制键来控制贪食蛇的运动方向，然后遇到一个点就继续增加贪食蛇的长度，直到撞到墙壁为止。

应用背景通过一个跳动的心，来演示点阵屏的使用，和学习51单片机如何驱动点阵关键技术通过51单片机对点阵的操作，显示出一个心形的图案，并通过定时器做出图案动态显示

这本书包含了有关ECC密码的基本知识！从互联网上获得的最好的书希望你会喜欢阅读；

快速傅立叶变换 采用c++编程 有源代码-FFT by C++, with source file

1）能录入新商品信息2）能对商品信息进行查询： 可以按编号，按商品名称，按商品类别，按供货商，按产地进行查询3）可以对商品信息进行修改，删除4）商品销售：输入销售单，根据商品编号，读取并显示商品信息，根据销售数量，修改库存。5）可以记录销售的记录，以备查询。6）商品销售信息查询：7）统计

Mean-shift聚类算法详细介绍，里面有丰富的图片和图形-Mean-shift clustering algorithm detail, which is rich in pictures and graphics

gtchb6xjunbu6jvn jknmjunjhbnhb

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