-
STL 源码实现
最权威的STL源码实现，并附有文档。是学习 C++ stl的好帮手。
- 2022-03-11 14:44:26下载
- 积分：1
-
Python 利用arcgis 内核进行批量影像镶嵌
在Python下基于Arcgisn内核完成了影像拼接的功能，根据图像的地理位置进行拼接，对于重叠去的处理，就是后面处理的图像会覆盖前面处理的图像，计算所有的输入文件的空间范围的并集，然后根据图像的分辨率，计算结果图像的大小投影等信息，这个函数里面其实可以直接进行投影转换，等一系列的坐标转换处理，程序可以运行。
- 2022-05-17 03:08:46下载
- 积分：1
-
遥感影像分类
资源描述用C#开发的遥感图像分类小软件，实现对遥感图像的的分类。主要是学习使用。
- 2023-07-10 11:55:03下载
- 积分：1
-
CAMSHIFT 运动物体跟踪源码+详细注释
如果要跟踪的物体颜色和背景色有较大区别，可用基于颜色的跟踪 如CAMSHIFT 鲁棒性都是较好的。 此源码是一个opencv自带的CamShift算法使用工程实例。该实例的作用是跟踪摄像头中目标物体，目标物体初始位置用鼠标指出，其跟踪窗口大小和方向随着目标物体的变化而变化。
在此对camshift源码做了详细的注释，希望对大家有所帮助。
- 2022-05-29 09:38:12下载
- 积分：1
-
椭圆曲线插补算法研究
基于数控系统脉冲增量插补和时间分割插补的不加工椭圆曲线提供了有益的参考方案。椭圆曲线插补算法研究
- 2022-02-09 15:10:55下载
- 积分：1
-
PerPixelAlphaForm-101
The control draws completely Black, right? That"s because GDI doesn"t really know what "transparent" is.
So you need to override your OnPaintBackground event and in there you perform the call to DrawThemeParentBackground.
Also, try this:
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
- 2022-12-07 05:30:03下载
- 积分：1
-
三次样条插值算法和拉格朗日插值算法的实现。
三次样条插值算法和拉格朗日插值算法的实现。-cubic spline interpolation algorithm and Lagrange interpolation algorithm implementation.
- 2022-08-25 06:15:22下载
- 积分：1
-
数据挖掘的基础程序
数据挖掘所用的十二个基础程序，分别为规范化三个，距离公式3个，以及统计数，众数，中位数，平均数，Q1，Q3的求法，以及程序。
- 2023-07-20 18:10:05下载
- 积分：1
-
遗传算法图像分割，利用遗传算法进行图像分割
遗传算法图像分割，利用遗传算法进行图像分割-Genetic algorithm image segmentation, image segmentation using genetic algorithm
- 2022-03-22 21:49:42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
