acm常用的函数 大全，，，，用得到的

压缩文件中是C语言常用函数的PDF文档，非常全面，可以满足工程人员的大部分需求。-compressed files is common C language function PDF files, a very comprehensive, engineering staff to meet the needs of the majority.

牛顿插值法求线性方程组 自己做的 有点简单呵呵 -Newton interpolation method for linear equations themselves a bit simple-huh

资源描述MK-V0.41无刷无感电调源码，德国的源程序写得也很好，把M8发挥到了极致

常用算法的C程序。主要内容包括多项式的计算、复数运算、随机数的产生、矩阵运算、矩阵特征值与特征向量的计算、线性代数方程组的求解、非线性方程与方程组的求解、插值与逼近、数值积分、常微分方程组的求解、数据处理、极值问题的求解、数学变换与滤波、特殊函数的计算、排序和查找。-Commonly used algorithm of C procedures. Include polynomial terms, complex computation, random number generation, matrix operations, matrix eigenvalue and eigenvector calculations, linear algebra equations, nonlinear equations with the equations, interpolation and approximation, numerical integration, solving ordinary differential equations, data processing, for solving extremum problems, mathematical transformation and filtering, the calculation of special functions, sorting and search.

这是关于数据挖掘的一些算法，里面包括了许多有关数据挖掘的数学算法的源代码，大家可以学习-This is on a number of data mining algorithms, which include many of the mathematical algorithms of data mining source code, everyone can learn

应用背景方法一：伪代码输入：n只鸡的个数 输出：公鸡、母鸡和小鸡的个数1、初始化解的个数count=0； 2、循坏变量从x从0~n/5（取整）;    2.1循环变量y从0~n/3(取整)；       2.1.1 循环变量z从0~n；       2.1.2 如果5*x+3*y+z/3==n && x+y+z==n，则count++；输出x、y、z的值；       2.1.3  y++；

模式识别与智能计算-Matlab技术实现  PDF+光盘资料本书广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书共分为13章，内容包括：模式识别概述，特征的选择与提取，模式相似性测度，贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（BP神经网络、径向基函数冲经网络、自组织竞争神经网络、慨率神经网络、对向传播神经网络、反馈型神经网络），决策树分类器，粗糙集分类器，聚类分析，模糊聚类分析，遗传算法聚类分析，蚁群算法聚类分析，粒子群算法聚类分析。本书内容新颖，实用性强，理论与实际应用密切结合，以手写数字识别为应用实例，介绍理论运用于实践的实现步骤及相应的Matlab代码，为广大研究工作者和工程技术人员对相关理论的应用提供借鉴。本书可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人学、工业自动化、模式识别等学科本科生、研究生的教材或教学参考书，亦可供相关工程技术人员参考。

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

应用背景随机共振利用噪声，可以增强信号。对于双稳态系统，朗之万方程的参数a,b对系统影响很大，需要合理选取。压缩包中有两个使用GA遗传算法的示例程序，一个简单一个较复杂。关键技术随机共振SR相比于以往的去噪技术，可以利用噪声进行信号增强。使用了遗传算法对系统的参数进行优化

数据挖掘导论,及其代码。中文版，很有用的。适合学习数据挖掘者-data mining and source code