-
CUDA_match
基于CUDA库进行图像间的匹配，很好的入门学习代码。CUDA是Compute Unified Device Architecture的缩写。 代码中主要包含CUDA的基本功能库，图像立体匹配源代码，图像处理源代码和模板匹配源代码等，还包含了测试数据。
- 2022-01-24 09:49:57下载
- 积分：1
-
C + + 中的 Strassen 算法源代码
使用 Strassen Algorithm 对乘法方阵。
IDE Visual Studio 2012 的 c + + 项目。
- 2022-07-03 06:21:52下载
- 积分：1
-
Mie散射计算散射系数，吸收系数及不对称因子
Mie散射计算散射系数，吸收系数及不对称因子，采取的算法是最基本的粒子散射方法，应用了球形粒子矢量波函数展开推导出的适合计算机的表达式，参数包括尺寸参数，方位角度，具体参考随机介质中波传播与散射相关内容。
- 2022-04-20 08:07:04下载
- 积分：1
-
自动指纹识别系统设计
自动指纹识别系统设计-Automated Fingerprint Identification System Design
- 2022-03-14 17:00:33下载
- 积分：1
-
C++ ItemCF
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
- 2022-03-26 08:57:57下载
- 积分：1
-
堆排序源代码
作为简单的堆排序算法的实现。
- 2022-05-15 05:24:51下载
- 积分：1
-
奇异分解，针对不能求逆的情况下，才用svd方法就能够解方程...
奇异分解，针对不能求逆的情况下，才用svd方法就能够解方程-Singular decomposition, for the case of inversion should not only be able to use SVD approach equation solution
- 2022-03-02 18:40:59下载
- 积分：1
-
对学习过程的一个简单的遗传算法，自己编写的SGA，而不是使用方法。
一个用于学习GA的简单程序，自己编写的SGA，不是使用的工具箱函数-A simple GA for the learning process, I have written SGA, instead of using the toolbox function
- 2022-01-28 20:37:47下载
- 积分：1
-
AES（Advanced Encryption Standard）密码算法具体实现
本AES实现支持的工作模式包括：ECB, CBC, CFB, OFB, CTR。在实现时，是在一个函数同时支持这些工作模式的，可以根据需要拆分成相应的函数单独实现。
本AES实现支持的密钥长度为128位/ 192位/256位，支持的基本块大小为128位。
- 2023-07-03 10:50:04下载
- 积分：1
-
基于神经网络的货运量预测
资源描述根据货运量形成的原因，分析了货运量和相关影响因素之间的关系以及货运量预测的特点，在此基础上，建立货运量预测的广义回归神经网络(General Regression Neural Network,GRNN)模型，并以我国某年的货运量和相关经济指标的历史统计数据作为学习样本，通过拟合训练和外推预测分析，验证了GRNN用于货运量预测的有效性.
- 2022-02-26 14:10:55下载
- 积分：1
