国家集训队2007论文集 给参加noi acm考试的同学

非线形方程组类:包括各种非线性方程组的各种求解方法，非常方便调用-Non-linear equations categories: including a variety of nonlinear equations to solve a variety of methods, very convenient to call

构建三次贝塞尔曲线 C0，......，Cn-1 中 参数形式，Ci 由 (xi(t),yi(t)) = (a0(i) + a1 (i) * t + a2 (i) * t ^2 + a3 (i) * t ^3， b0(i) + b1 (i) * t + b2 (i) * t ^2 + b3(i)*t^3) 0 为 < = t < = 1 由左终结点 （x(i),y(i))， 离开了 guidepoint （x+(i),y+(i))、 右端点 （x(i+1),y(i+1)) 和 右 guidepoint （为每个 i x-(i+1),y-(i+1)) = 0，1，......，n-1 ； 输入的 n，（（x(i),y(i))，我 = 0，...，n)， ((x+(i),y+(i))，我 = 0，...，n-1)， ((x-(i),y-(i))，我 = 1，...，n)。 输出系数 （a0(i)、 a1(i)、 a2(i)、 a3(i)、 b0(i)、 b1(i)、 b2(i)、 b3(i)、 我 = 0，...，n-1)。

实现集合的交和并集- The realization gathers junction with sum aggregate

本系统是一个概率型的自然语言句法分析器。系统的分析算法是综合了多种优化策略的改进型chart分析算法。分析结果是概率最大的一棵分析树。在概率模型方面，本系统也在一定程度上突破了pcfg的上下文无关假设，引入了结构上下文条件，是的分析结果正确率有了明显提高。本系统运行在 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

应用背景 支持向量机（Support Vector Machine，SVM）是一种新的机器学习方法，其基础是Vapnik创建的统计学习理论（Statiscal Learning Theory，STL）。统计学习理论采用结构风险最小化（Structural Risk Minimization，SRM）准则，在最小化样本点误差的同时，最小化结构风险，提高了模型的泛化能力，且没有数据维数的限制。在进行线性分类时，将分类面取在离两类样本距离较大的地方；进行非线性分类时通过高维空间变换，将非线性分类变成高维空间的线性分类问题。 关键技术 本章将详细介绍支持向量机的分类原理，并将其应用于基于乳腺组织电阻抗频谱特性的乳腺癌诊断。 乳腺是女性身体的重要器官，乳腺疾病类别繁多、病因复杂，其中，乳腺癌是乳腺疾病的一种，逐渐成为危害女性健康的主要恶性肿瘤之一。近年来，乳腺癌等乳腺疾病发病率呈明显上升趋势，被医学界称为“女性健康第一杀手” 。 相关研究结果表明，在直流状态下不同生物组织表现出不同的电阻特性，生物组织电阻抗随着外加电信号频率的不同而表现出较大的差异。常见的电阻抗测量方法有：电阻抗频谱法(Impedance Spectroscopy)、阻抗扫描成像法(Electrical Impedance Scanning，EIS)、电阻抗断层成像法（Electrical Impedance Tomography，EIT）等。电阻抗频谱法的测量依据是生物组织的电阻抗随着外加电信号频率的不同而呈现出较大的差异；阻抗扫描成像法的原理是癌变组织与正常组织及良性肿瘤组织的电导（阻）率相比，存在着显著性的差异，从而使得均匀分布在组织外的外加电流或电压场产生畸变；电阻抗断层成像法则利用设于体表外周的电极阵列及微弱测量电流，提取相关特征并重新构造出截面的电阻抗特性图像。 尽管目前的电阻抗测量结果还存在一些偏差，但相关研究已经证实癌变组织与正常组织的电阻抗特性存在显著地差异。因此，乳腺组织的电阻抗特征可以应用于乳腺癌的检查与诊断中。由于电阻抗测量法具有无创、廉价、操作

汉诺塔演程序的原代码，可能对兄弟们有用，或者是兴趣爱好！我希望大家可以帮助我这个菜鸟-Tower of Hanoi s original speech program code, may be useful brothers or hobbies! I hope everyone can help me this rookie

LU分解进行方程组的求解需要将系数矩阵进行分解，数值分析中更喜欢用迭代法来逼近真解利用迭代进行方程组的求解，将其转化成机械的运算，收敛性较好，能达到较高精度

C++作业，实现vector-C operations and achieve vector

应用背景目前，智能监控和智能交通的应用非常普及，如何让在普通的视频监控技术当中加入智能功能成为各大厂商和高校竞争的焦点之一。在智能监控当中，跟踪技术有非常广泛的使用价值。如果能将跟踪技术做好，产品会非常具有竞争性。关键技术目前的跟踪技术可以采用多种方法，在彩色图像，灰度图像，二值图像上均可以做出不错的跟踪算法。就计算量而言，彩色图像的计算量是最大的，实时性很难保证，灰度图像跟踪相对计算量较小，而且可以利用的图像信息比较多，而二值图像的跟踪，计算量是最小的，可以做到非常快。

基于支持向量机分类算法，经试验效果不错，取得了很好的分类效果-Classification algorithm based on support vector machine, after test results, well, and achieved very good classification results