搜索资源列表
nearpiont
- 最接近点对问题是求二维坐标中的点对问题，该算法是为了将平面上点集S线性分割为大小大致相等的2个子集S1和S2，我们选取一垂直线l:x=m来作为分割直线。其中m为S中各点x坐标的中位数。由此将S分割为S1={p∈S|px≤m}和S2={p∈S|px>m}。从而使S1和S2分别位于直线l的左侧和右侧，且S=S1∪S2 。由于m是S中各点x坐标值的中位数，因此S1和S2中的点数大致相等。 递归地在S1和S2上解最接近点对问题，我们分别得到S1和S2中的最小距离δ1和δ2。现设δ=min(δ
shellsort111
- 附有本人超级详细解释（看不懂的面壁十天！） 一、 实际问题: 希尔排序(Shell Sort)是插入排序的一种。因D．L．Shell于1959年提出而得名。它又称“缩小增量分类法”，在时间效率上比插入、比较、冒泡等排序算法有了较大改进。能对无序序列按一定规律进行排序。 二、数学模型: 先取一个小于n的整数d1作为第一个增量，把文件的全部记录分成d1个组。所有距离为dl的倍数的记录放在同一个组中。先在各组内进行直接插人排序；然后，取第二个增量d2<d1重复上述的分组和
PTbox
- Prony算法工具箱。Prony方法是用一组指数项的线性组合来拟和等间距采样数据的方法,可以从中分析出信号的幅值、相位、阻尼因子、频率等信息。considerations including data preprocessing, model order selection, model order selection criteria, signal subspace selection, signal and noise separation, root inspection and ass
Algorith-difference-of-RSSI-and-LQI
- 一种基于RSSI 和LQI 的动态距离估计算法,幫助了解RSSI估计算的準確度-RSSI and LQI based on dynamic distance estimation algorithm to help understand the RSSI estimate the accuracy of counting
moshishibie
- 先用C-均值聚类算法程序，并用下列数据进行聚类分析。在确认编程正确后，采用蔡云龙书的附录B中表1的Iris数据进行聚类。然后使用近邻法的快速算法找出待分样本X（设X样本的4个分量x1=x2=x3=x4=6；子集数l=3）的最近邻节点和3-近邻节点及X与它们之间的距离。-First C-means clustering algorithm procedures and with the following data for cluster analysis. After confirming t
WaveletBasedTextureRetrievalUsingGeneralizedGaussi
- 基于小波变换的特征检索算法，用了广义高斯函数和K-L距离为相似侧度 -Wavelet-Based Texture Retrieval Using Generalized Gaussian Density and Kullback–Leibler Distance
k_means
- k means techniques de classification non supervisée (clustering) les plus utilisées. Etant donné un entier K, K-means partitionne les données en K groupes, ou "clusters", ou "classes" ne se chevauchant pas. Ce résultat est obtenu en positionnant
zkjRLxj
- 距离保护R-L模型算法 使用图基滤波器 控制阻抗轨迹显示范围 在阻抗平面画出阻抗圆特性、整定阻抗直线特性和短路阻抗轨迹- RL model algorithm for distance protection using map-based filter control the impedance locus in the impedance plane display range characteristic impedance circle draw, settin
tdistance-stringlabel
- 计算任意两棵树结构间的编辑距离，是Zhang和Shasha提出来的，时间复杂度为O(V*V *min(L, D)*min(L , D -compute the edit distance between two tree structures, it s proposed by Zhang and Shasha , time complexity is O(V*V *min(L, D)*min(L , D ))
metric
- 系统过滤评价指标 AUC以及top-L-precision 以及汉明距离-AUC and evaluation system filter top-L-precision and the Hamming distance
RRT
- La fonction rand_config() génère aléatoirement une configuration qrand dans l’espace libre. La fonction Etendre permet de sélectionner à chaque itération le noeud de l’arbre G le plus proche (fonction Plus_proche_noeud()) à qrand selon une métriq
fourier-descriptor
- descr iption de forme en utilisant FD coeeficeients Fourier utilisé pour la classification forme. les étapes: 1. trouver les indices de frontières de l image de tranchant (binaire d entrée bordée d image voir le test par exemple) 2. trier le
flyaway
- 输入：第一行是3个正整数，m(1≤m≤100)，n(1≤n≤100)，D(1≤D≤100)。表示原野是m*n的矩阵，法里奥最多只能飞行距离为D。 接下来的m行每行有n个字符，相互之间没有空格。P表示当前位置是平地，L则表示湖泊。假定(1,1)和(m,n)一定是平地。 输出：一个整数，表示法里奥到达基地需要的最短时间。如果无法到达基地，则输出impossible。-Input: The first line is the three positive integers, m (1 ≤ m
Umoshishibies
- 先用C-均值聚类算法程序，并用下列数据进行聚类分析。在确认编程正确后，采用蔡云龙书的附录B中表1的Iris数据进行聚类。然后使用近邻法的快速算法找出待分样本X（设X样本的4个分量x1=x2=x3=xx4=6；子集数l=3）的最近邻节点和3-近邻节点及X与它们之间的距离.-C-means clustering procedure, and the following data and cluster analysis. Confirm the programming is correct, Ca
WSN
- 边长为L的正矩形范围内随机分布N个无线结点，每个结点辐射半径为R，最后连接结点间距离D<R的所有结点。-length of L positive rectangular range randomly distributed N nodes, each node radiation radius is R, and finally connect distance between two nodes D < R .
SmallWorld
- 通过公式SW=（C/Crand）/（L/Lrand）求取复杂网络的小世界性系数。 注：其中聚类系数和平均距离都是直接调用工具包中的函数。-By the formula SW = (C/Crand)/(L/Lrand) to strike a small complex networks worldwide coefficients. Note: where clustering coefficient and average distance are called directly tool
folyd
- 1.求所有点对的最短路径问题，设G=(V,E)是一个有向图，其中的每条边(i,j)由一个非负的长度l[i,j]，如果从顶点i到顶点j没有边，则l[i,j]=∞。要找出从每个顶点到其他所有顶点的距离，这里从顶点x到顶点y的距离是指从x到y的最短路径的长度。 2. 通过一个图的权值矩阵求出它的每两点间的最短路径矩阵。 3. 从图的带权邻接矩阵A=[a(i,j)] n×n开始，递归地进行n次更新，即由矩阵D(0)=A，按一个公式，构造出矩阵D(1)；又用同样地公式由D(1)构造出D(2)；……