Example to calculate, with basic operations, polinomial til 10 degrees, just the...

采用Fortran语言的正交曲线网格生成程序-Fortran language, the use of orthogonal curvilinear grid generation process

在已知数字区域填充上数字，然后计算未知区域的数字。 使用Visual C++开发，用mfc开发界面，但界面十分简单，主要为计算提供算法。 使用递归算法，计算每个未知数字的区域可能的填写的数字，然后分别去测试该位置数字填写是否正确，直到找到答案或出现冲突。

基于polarssl的思想封装的sm3算法mac的源代码 很不错的代码，值得分享和借鉴

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

线性的插值算法，内涵读取文件，算法实现和写入文件。读取的文件为PARCHG，写入的文件为INSERT_DATA-Linear interpolation algorithm, meaning to read documents, algorithm implementation and write to a file. Read documents PARCHG, written documents INSERT_DATA

鱼眼图像畸变校正的代码，基于C鱼眼实现，校正效果与Opencv差不多

该算法实现了数据挖掘中基于候选集的频繁项的挖掘，对于训练数据的处理，我们使用一个hashmap表来模拟初始阶段的数据，让后根据支持度来从候选集中找出满足支持度的频繁项，然后进行下一层的频繁项挖掘

OpenLTE 是 3GPP LTE 规格的开源实现。它可以用 GNU 收音机与许多特别提款权 HW （USRP，RTL SDR，UMD）。LTE 空中接口协议和协议的研究。它最终将帮助您构建自己的 LTE 基站。

这是五个经典的c语言源程序-This is the classic five source language c

线性方程类，封装有关解线性方程的方法-linear equations, the package solution of linear equations