good SVM algorithm, using the LS

AC-BM算法的实现的压缩包，很流行的字符串匹配算法，已经测试，-AC-BM algorithm for the realization of the compressed, the very popular string matching algorithm has been tested,

购物商场中模拟排队的程序-Program which simulates shopping queues

这个是Fortran求积分的源代码，包括高斯五点法，高斯三点法，抛物线法，梯形法。希望能对大家有帮助。

LZW压缩，实现文本的压缩，压缩比在2:1以上 ZW算法基于转换串表（字典）T，将输入字符串映射成定长（通常为12位）的码字。在12位4096种可能的代码中，256个代表单字符，剩下3840给出现的字符串。

利用二分法求一个方程的实数近似根。-use dichotomy for a few equations approximate the real root.

HMM中经典的前向后向算法，带有比例因子-classical HMM back to the first algorithm, with a scale factor

TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术, TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF反文档频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m，而其它类包含t的文档总数为k，显然所有包含t的文档数n=m + k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权重，并选来作为该类文本的特征词以区别与其它类文档。这就是IDF的不足之处。

C++回调实现方式，不限于类的静态方法 类似于QT的实现方式，有bind和unbind机制，需要的朋友可自行扩展 当前只支持固定参数个数，可根据情况添加修改

介绍kalman filtering 的word文档，里面有关于kalman filtering五个重要公式的详细推导过程，对于初学者理解kalman filtering相当有用-Kalman filtering, introduced the word document, there are five important kalman filtering on a detailed formula derivation process, kalman filtering for beginners to understand very useful

支持向量机算法主要用于分类，在数据中找到支持向量，作为分类的训练样本。支持多类分类。