PUDN

http://www.pudn.com/

从K近邻算法、距离度量谈到KD树、SIFT+BBF算法前言 前两日，在微博上说：...得益于田，借了我一台电脑（借他电脑的时候，我连表示感谢，他说“能找到工作全靠你的博客，这点儿小忙还说，不地道”，有的时候，稍许感受到

wiki百科：http://zh.wikipedia.org/wiki/%E5%86%B3%E7%AD%96%E6%A0%91%E5%AD%A6%E4%B9%A0 opencv学习笔记--二杈决策树：... （1）:从K近邻算法、距离度量谈到KD树、...

最近在看《统计学习方法》，发现这么一篇好文章，与大家分享 ... 前言 前两日，在微博上说：“到今天为止，我至少亏欠了3篇文章待写：1、KD树；2、神经网络；3、编程艺术第28章。你看到，blog内的文章与你于别处所见...

转载：http://www.cnblogs.com/v-July-v/archive/2012/11/20/3125419.html  从K近邻算法、距离度量谈到KD树、SIFT+BBF算法 前言  前两日，在微博上说：“到今天...你看到，blog内的

文章来源：：http://www.cnblogs.com/v-July-v/archive/2012/11/20/3125419.html 这篇文章感觉特棒，经典特推荐！！！！ ...从K近邻算法、距离度量谈到KD树、SIFT+BBF算法 ... 前两日，在微博上说：“到今

【目录】- MATLAB神经网络30个案例分析(开发实例系列图书) 第1章 BP神经网络的数据分类——语音特征信号分类1 本案例选取了民歌、古筝、摇滚和流行四类不同音乐，用BP神经网络实现对这四类音乐的有效分类。 第2章 BP神经网络的非线性系统建模——非线性函数拟合11 本章拟合的非线性函数为y=x21+x22。 第3章 遗传算法优化BP神经网络——非线性函数拟合21 根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优36 对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模45 BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。 第6章 PID神经元网络解耦控制算法——多变量系统控制54 根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。 第7章 RBF网络的回归——非线性函数回归的实现65 本例用RBF网络拟合未知函数，预先设定一个非线性函数，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函数解析式不清楚的情况下，随机产生x1,x2和由这两个变量按上式得出的y。将x1,x2作为RBF网络的输入数据，将y作为RBF网络的输出数据，分别建立近似和精确RBF网络进行回归分析，并评价网络拟合效果。 第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测73 根据货运量影响因素的分析，分别取国内生产总值（GDP），工业总产值，铁路运输线路长度，复线里程比重，公路运输线路长度，等级公路比重，铁路货车数量和民用载货汽车数量8项指标因素作为网络输入，以货运总量，铁路货运量和公路货运量3项指标因素作为网络输出，构建GRNN，由于训练数据较少，采取交叉验证方法训练GRNN神经网络，并用循环找出最佳的SPREAD。 第9章 离散Hopfield神经网络的联想记忆——数字识别81 根据Hopfield神经网络相关知识，设计一个具有联想记忆功能的离散型Hopfield神经网络。要求该网络可以正确地识别0~9这10个数字，当数字被一定的噪声干扰后，仍具有较好的识别效果。 第10章 离散Hopfield神经网络的分类——高校科研能力评价90 某机构对20所高校的科研能力进行了调研和评价，试根据调研结果中较为重要的11个评价指标的数据，并结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。 第11章 连续Hopfield神经网络的优化——旅行商问题优化计算100 现对于一个城市数量为10的TSP问题，要求设计一个可以对其进行组合优化的连续型Hopfield神经网络模型，利用该模型可以快速地找到最优（或近似最优）的一条路线。 第12章 SVM的数据分类预测——意大利葡萄酒种类识别112 将这178个样本的50%做为训练集,另50%做为测试集,用训练集对SVM进行训练可以得到分类模型,再用得到的模型对测试集进行类别标签预测。 第13章 SVM的参数优化——如何更好的提升分类器的性能122 本章要解决的问题就是仅仅利用训练集找到分类的最佳参数，不但能够高准确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况发生。 第14章 SVM的回归预测分析——上证指数开盘指数预测133 对上证指数从1990.12.20-2009.08.19每日的开盘数进行回归分析。 第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测141 在这个案例里面我们将利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测。 若您对此书内容有任何疑问，可以凭在线交流卡登录中文论坛与作者交流。 第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测153 本案例中给出了一个含有60个个体基因表达水平的样本。每个样本中测量了114个基因特征，其中前20个样本是癌症病人的基因表达水平的样本(其中还可能有子类), 中间的20个样本是正常人的基因表达信息样本, 余下的20个样本是待检测的样本(未知它们是否正常)。以下将设法找出癌症与正常样本在基因表达水平上的区别，建立竞争网络模型去预测待检测样本是癌症还是正常样本。 第17章SOM神经网络的数据分类——柴油机故障诊断159 本案例中给出了一个含有8个故障样本的数据集。每个故障样本中有8个特征，分别是前面提及过的：最大压力(P1)、次最大压力(P2)、波形幅度(P3)、上升沿宽度(P4)、波形宽度(P5)、最大余波的宽度(P6)、波形的面积(P7)、起喷压力(P8)，使用SOM网络进行故障诊断。 第18章Elman神经网络的数据预测——电力负荷预测模型研究170 根据负荷的历史数据，选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段负荷的目的。 第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断176 本案例在对油中溶解气体分析法进行深入分析后，以改良三比值法为基础，建立基于概率神经网络的故障诊断模型。 第20章 神经网络变量筛选——基于BP的神经网络变量筛选183 本例将结合BP神经网络应用平均影响值（MIV，Mean Impact Value）方法来说明如何使用神经网络来筛选变量，找到对结果有较大影响的输入项，继而实现使用神经网络进行变量筛选。 第21章 LVQ神经网络的分类——乳腺肿瘤诊断188 威斯康星大学医学院经过多年的收集和整理，建立了一个乳腺肿瘤病灶组织的细胞核显微图像数据库。数据库中包含了细胞核图像的10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度），这些特征与肿瘤的性质有密切的关系。因此，需要建立一个确定的模型来描述数据库中各个量化特征与肿瘤性质的关系，从而可以根据细胞核显微图像的量化特征诊断乳腺肿瘤是良性还是恶性。 第22章 LVQ神经网络的预测——人脸朝向识别198 现采集到一组人脸朝向不同角度时的图像，图像来自不同的10个人，每人5幅图像，人脸的朝向分别为：左方、左前方、前方、右前方和右方。试创建一个LVQ神经网络，对任意给出的人脸图像进行朝向预测和识别。 第23章 小波神经网络的时间序列预测——短时交通流量预测208 根据小波神经网络原理在MATLAB环境中编程实现基于小波神经网络的短时交通流量预测。 第24章 模糊神经网络的预测算法——嘉陵江水质评价218 根据模糊神经网络原理，在MATLAB中编程实现基于模糊神经网络的水质评价算法。 第25章 广义神经网络的聚类算法——网络入侵聚类229 模糊聚类虽然能够对数据聚类挖掘，但是由于网络入侵特征数据维数较多，不同入侵类别间的数据差别较小，不少入侵模式不能被准确分类。本案例采用结合模糊聚类和广义神经网络回归的聚类算法对入侵数据进行分类。 第26章 粒子群优化算法的寻优算法——非线性函数极值寻优236 根据PSO算法原理，在MATLAB中编程实现基于PSO算法的函数极值寻优算法。 第27章 遗传算法优化计算——建模自变量降维243 在第21章中，建立模型时选用的每个样本（即病例）数据包括10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度）的平均值、10个量化特征的标准差和10个量化特征的最坏值（各特征的3个最大数据的平均值）共30个数据。明显，这30个输入自变量相互之间存在一定的关系，并非相互独立的，因此，为了缩短建模时间、提高建模精度，有必要将30个输入自变量中起主要影响因素的自变量筛选出来参与最终的建模。 第28章 基于灰色神经网络的预测算法研究——订单需求预测258 根据灰色神经网络原理，在MATLAB中编程实现基于灰色神经网络的订单需求预测。 第29章 基于Kohonen网络的聚类算法——网络入侵聚类268 根据Kohonen网络原理，在MATLAB软件中编程实现基于Kohonen网络的网络入侵分类算法。 第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类277 为了便于使用MATLAB编程的新用户，快速地利用神经网络解决实际问题，MATLAB提供了一个基于神经网络工具箱的图形用户界面。考虑到图形用户界面带来的方便和神经网络在数据拟合、模式识别、聚类各个领域的应用，MATLAB R2009a提供了三种神经网络拟合工具箱（拟合工具箱/模式识别工具箱/聚类工具箱）。

UnrealEngine向来以一流效果和难以上手而著称，本课程就是帮助你跨过入门的这道门槛，能够上手掌握这个国际一流的3D引擎。 通过本课程的学习，你讲可以掌握Unreal引擎开发的基础知识，包括Unreal编辑器的基本使用，Gameplay Framework，以及C++&Blueprint;两种开发模式。

抢茅台的方法，里面有脚本文件和python的安装包，小白可以学习使用，大佬绕行吧，哈哈

2020年2月份美赛发布的题目ADE，是原始文件，包含有原题目给的数据等。 pdf格式全英，需要的朋友们直接下载就可以啦，里面的东西没有动过，需要翻译可以看我的博客/

这可能是史上通俗易懂的C语言视频教程！  C语言具有高效、灵活、功能丰富、表达力强和较高的可移植性等特点，在程序员中备受青睐，成为近25年使用为广泛的编程语言。目前市面上的C视频教程很多，但是千篇一律，枯燥乏味，并不适合新手！

例子主要包括SocketAsyncEventArgs通讯封装、服务端实现日志查看、SCOKET列表、上传、下载、远程文件流、吞吐量协议，用于测试SocketAsyncEventArgs的性能和压力，最大连接数支持65535个长连接，最高命令交互速度达到250MB/S（使用的是127.0.0.1的方式，相当于千兆网卡1Gb=125MB/S两倍的吞吐量）。服务端用C#编写，并使用log4net作为日志模块； 同时支持65536个连接，网络吞吐量可以达到400M。

详细的介绍shell脚本的使用。 让每一个同学都能快速的掌握shell脚本编程

jdk1.8 64位官方正式版 jdk-8u91-windows

十个c语言案例 （1）贪吃蛇 （2）五子棋游戏 （3）电话薄管理系统 （4）计算器 （5）万年历 （6）电子表 （7）客户端和服务器通信 （8）潜艇大战游戏 （9）鼠标器程序 （10）手机通讯录系统

2020美赛特等奖A题8篇论文

课程简单易懂，学习本课，个人看完能学会使用淘宝客赚钱，网站主看完能使用阿里妈妈广告联盟赚取佣金，给自己网站增加收入。学会广告联盟的相关知识，学会如何区分网络骗局。介绍自己以往使用过的推广方式，提升你的推广思路。 个人看完能学会使用淘宝客赚钱，网站主看完能使用阿里妈妈广告联盟赚取佣金，给自己网站增加收入。学会广告联盟的相关知识，学会如何区分网络骗局。介绍自己以往使用过的推广方式，提升你的推广思路。

2019年数模美赛D题一等奖论文中文版本与最终版本，这里面卢浮宫的疏散方法可以修改为任意一篇快速疏散论文，搞数模竞赛的同学可以进行下载学习。

2020美赛a题海温数据，1877年至今，趁比赛还没结束上传赚点资源值 全球海洋温度影响某些海洋生物的栖息地质量。当温度变化太大，它们无法继续繁荣时，这些物种就会迁移到其他更适合它们现在和未来生活和繁殖成功的栖息地。其中一个例子就是美国缅因州的龙虾种群，它们正缓慢地向北迁移到加拿大，那里的海洋温度较低，为它们提供了更合适的栖息地。这种地理种群的转移可能会严重影响依赖海洋生物稳定性的公司的生计。 您的团队已被苏格兰北大西洋渔业管理协会聘请为顾问。该协会希望在全球海洋温度升高的情况下，更好地了解与苏格兰鲱鱼和鲭鱼从它们目前的栖息地苏格兰附近迁移有关的问题。这两种鱼类为苏格兰渔业做出了巨大的经济贡献。鲱鱼和鲭鱼种群分布位置的变化，可能会让规模较小的苏格兰渔业公司在经济上变得不切实际。这些公司使用渔船，但船上没有冷藏设备。

Microsoft office 2016专业增强版是一款由官方发布的Microsoft office办公软件，而且免费开放给所有Windows用户免费使用，其中Excel、word、PPT都非常智能化，界面最新加入暗黑主题，并且按钮的设计风格开始向Windows10靠拢。本平台提供Office 2016专业增强版，需要的朋友可下载试试！ Office 2016 专业增强版安装教程 1. 下载

关于2020年数模美赛c题的，题目，数据，文献资料，一些代码，以及思路和感想。其中在感想部分谈及了C题两种解答方法的对比（评论处理方法，另一种是我们老师带的另外几队拿了H奖的）。我们对这次论文交的比较匆忙，摘要是在最后一点时间里赶出来的，文章很多细节部分都有些问题，特别是问题分析部分忘记放上去就交了，有点尴尬。本来对这次结果不抱太大希望，后来却拿了m奖（虽然对于拿o奖，f奖的大佬们来说这不算什么），但对于失误较多的我们来说已经比较满意了。希望我的分享能对美赛有兴趣的同学起到一些帮助。

vs2017最新离线安装包，将官网文件整合成4个压缩包，包含所有组件的功能，安装过程无需联网。很方便。

最近热门的python京东茅台脚本

全球第一份深入学习PHP底层内核源码与扩展开发的视频课程，CSDN，系统讲解了PHP底层源代码学习,实现原理,PHP扩展知识学习,相关开发工具运用等相关知识。是PHP程序员提高自身能力，成为底层内核级开发人员的首选入门课程。学习本课程人员好有一定的PHP/LINUX/C基础知识. 了解PHP底层的工作原理和一门开发语言的底层实现，掌握PHP的扩展开发知识。

本文为2019年美赛A题特等奖论文中文版，好不容易找到的资源分享给大家，供大家学习。

内含6片MCM2019年C题优秀论文原文和保留原格式的中文翻译 例 近年来，过量服用已成为美国意外死亡的主要原因，处方类阿片和海洛因是该 类别中最重的违法者。尽管许多人需要阿片类药物来控制其慢性和严重疼痛，但 这些疗法的普遍后果是滥用，成瘾以及升级为更糟的物质。存在多种打击毒品传 播的策略，例如教育，康复和执法。然而，鉴于阿片类药物在美国社会的新普 及，因此有必要针对性地制定战略。 我们开发了一种模型，可以可靠且准确地预测阿片类药物在俄亥俄州，宾 夕法尼亚州，弗吉尼亚州，西弗吉尼亚州和肯塔基州之间的扩散。为此，我们： ● 通过将阿片类药物成瘾视为一种在邻居之间确定性传播的疾病，并假设 其传播可以采用马尔可夫模型来模拟，从而可视化该区域内2010年至2016 年间阿片类药物的运动和传播。这将使我们能够找到一个过渡矩阵，以告 诉每个县彼此之间的影响。我们还将县之间的距离纳入该矩阵。 ● 接下来，我们对整个数据集中的社会经济因素的影响进行了建模，并将 这些变化与该县阿片类药物的使用随时间的增长或收缩的方式相关联。 ● 然后，我们以两种方式组合模型-线性和并行方式。我们用它来估计 毒品 问题发源地的震中。 ● 最后，我们进行了多次模拟并预测了未来的毒品问题，从而从不同的角 度开发了多种策略来应对这种流行病，并从对阿片类药物传播影响最大的 变量中进行选择。 我们的模型将非法使用阿片类药物视为一种疾病，当特定地区的更多人患 有阿片类药物时，这种情况会更频发。这使我们能够对其进行设计，以便将来可 以推广到更大的区域。通过可视化这种传播，我们能够目睹预测的阿片类药物在 主要道路上和沿主要道路的传播比简单邻接所能预测的更长。以这种方式联系在 一起的县既包括震中县，也包括脆弱县。 为了评估我们的外部模型，我们给了它来自所有县的前两年的药物报告数 据，然后将其传播到2016年。我们的预测存在人均10 -5 药物报告的错误。在评估 我们的内部模型时，我们意识到尽管社会经济因素高度相关，但它们无法准确预 测阿片类药物的滥用。

18款表白网页源代码(表白),集合了经典款和合并3连款，直接可以发布到网站，来进行表白！！

2019美赛A-E题O奖论文-及题目中英文 A：1902727，1910246，1917933，1919022，1924781，1926690 B:1908286，1908904，1915782，1923964，1924588 C：1900577，1901213，1901679，1906204，1909434，1922154 D:1900007，1902407，1908810，1922074，1922748，1923074，1924801 E:1902029，1902054，1902917，1903455，1916129，1916777，1924813，1926224

STM32全系列 Keil MDK pack离线包 注：由于上传大小限制，除了F0和F1的包，其他的提供链接通过百度云下载。 包括以下包，当前最新版本（20200115） Keil.STM32F0xx_DFP.2.0.0.pack Keil.STM32F1xx_DFP.2.3.0.pack Keil.STM32F2xx_DFP.2.9.0.pack Keil.STM32F3xx_DFP.2.1.0.pack Keil.STM32F4xx_DFP.2.14.0.pack Keil.STM32F7xx_DFP.2.12.0.pack Keil.STM32H7xx_DFP.2.3.1.pack Keil.STM32G0xx_DFP.1.2.0.pack Keil.STM32G4xx_DFP.1.1.0.pack Keil.STM32L0xx_DFP.2.0.1.pack Keil.STM32L1xx_DFP.1.2.0.pack Keil.STM32L4xx_DFP.2.3.0.pack Keil.STM32L5xx_DFP.1.1.0.pack Keil.STM32MP1xx_DFP.1.1.0.pack Keil.STM32W1xx_DFP.1.0.0.pack Keil.STM32WBxx_DFP.1.0.0.pack