C 语言编程的书

数据挖掘分类算法决策树学习算法介绍以及SEE5的使用说明-data mining algorithms decision tree classification algorithm presentations and the use SEE5

boltzman 模拟退火算法例子-Boltzman simulated annealing algorithm examples

C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习：给定一个数据集，其中的每一个元组都能用一组属性值来描述，每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习，找到一个从属性值到类别的映射关系，并且这个映射能用于对新的类别未知的实体进行分类。 C4.5由J.Ross Quinlan在ID3的基础上提出的。ID3算法用来构造决策树。决策树是一种类似流程图的树结构，其中每个内部节点（非树叶节点）表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点存放一个类标号。一旦建立好了决策树，对于一个未给定类标号的元组，跟踪一条有根节点到叶节点的路径，该叶节点就存放着该元组的预测。决策树的优势在于不需要任何领域知识或参数设置，适合于探测性的知识发现。 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

资源描述本文首先在查阅和参考大量国内外相关文献的基础上，介绍了无线传感器网 络节点定位技术的研究背景及意义，综述了国内外研究现状，并详细介绍了无线 传感器网络中一些典型的无需测距定位算法和系统。 传统DV-Hop 算法采用较少的锚节点参与平均跳距计算，未知节点使用此平均 跳距值误差大，为了减小DV-Hop 算法的定位误差，提高待定位节点的定位精度， 本文从以下三方面对其进行改进：针对DV-Hop 定位算法适应节点均匀分布的网络 这一特性，在算法的前期提出了节点的部署策略；针对平均每跳距离在求各种跳 数的节点之间的距离时有着不同程度的影响，在算法的中期提出了距离修正值策 略；针对用三边或多边测量法计算未知节点的坐标精度不高这一问题，在算法的 后期使用了具有交叉因子的粒子群算法这一策略 使用Omnet++和Matlab 仿真工具对提出改进算法的有效性进行验证。实验证 明，与DV-Hop 算法相比，三种改进算法的定位精度都得到了一定程度的提高，特 别是基于交叉因子粒子群定位时效果最佳，能更好地满足实际应用的需求。 关键词：无线传感器网络，节点定位技术，距离向量-跳段，平分四块部署，距离 修正，交叉粒子群优化算法

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.

采用有限元法计算半导体的带隙结构和波函数。-using the finite element method to calculate the bandgap semiconductor structure and the wave function.

运筹学的贝叶斯预测，是上机进行运筹学实验的重要实验。-Bayesian forecasting of operations research is on the machine is important experimental operations research experiments.

可以实现矩阵行列式的任意变换，求任意向量的极大无关组，齐次非齐次线性方程组的求解-Can achieve an arbitrary transformation matrix determinant, find great vector independent of any group, homogeneous non-homogeneous linear equations to solve, etc.

文本数据的数据挖掘算法:对大量存在的文本数据，用已有的结构化数据挖掘技术，提出了非结构化数据知识发现方法。-The text data about data mining algorithms