K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
上傳時間： 2016-07-31
上傳用戶：youlongjian0
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
上傳時間： 2013-12-19
上傳用戶：chenlong
k-means 算法接受輸入量 k ；然后將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 Matlab 源代碼，以蘭花數據集作為測試對象。
上傳時間： 2014-01-21
上傳用戶：2525775
//Euler 函數前n項和 /* phi(n) 為n的Euler原函數 if( (n/p) ％ i == 0 ) phi(n)=phi(n/p)*i else phi(n)=phi(n/p)*(i-1) 對于約數：divnum 如果i|pr[j] 那么 divnum[i*pr[j]]=divsum[i]/(e[i]+1)*(e[i]+2) //最小素因子次數加1 否則 divnum[i*pr[j]]=divnum[i]*divnum[pr[j]] //滿足積性函數條件 對于素因子的冪次 e[i] 如果i|pr[j] e[i*pr[j]]=e[i]+1 //最小素因子次數加1 否則 e[i*pr[j]]=1 //pr[j]為1次 對于本題： 1. 篩素數的時候首先會判斷i是否是素數。 根據定義，當 x 是素數時 phi[x] = x-1 因此這里我們可以直接寫上 phi[i] = i-1 2. 接著我們會看prime[j]是否是i的約數 如果是，那么根據上述推導，我們有：phi[ i * prime[j] ] = phi[i] * prime[j] 否則 phi[ i * prime[j] ] = phi[i] * (prime[j]-1) (其實這里prime[j]-1就是phi[prime[j]]，利用了歐拉函數的積性) 經過以上改良，在篩完素數后，我們就計算出了phi[]的所有值。 我們求出phi[]的前綴和 */
上傳時間： 2016-12-31
上傳用戶：gyq
大整數問題 設n是一個k（1≤k≤80）位的十進制正整數。 問題1：對于給定的任意整數n，編程計算滿足p3+p2+3p≤n的位數為m的p的個數。 問題2：對于給定的任意整數n，編程求解滿足p3+p2+3p≤n的p的最大值。 要求： 對于給定的每一個測試文件（形如：numberX_input.txt），分別生成一個結果文件（形如：numberX_out.txt）。比如，對于測試文件number1_input.txt，對應的結果文件為number1_out.txt。 參考數據： (1) 若n=1908 ； p的最大值=12 (2) 若n= 2000000000000000000000000000002452458671514234457987956856； p的最大值= 12599210498948731647
上傳時間： 2017-01-17
上傳用戶：teddysha
ADT HuffmanTree{ 數據對象：D={ai| ai∈CharSet,i=1,2,……,n, n≥0} 數據關系：R={< ai-1, ai > ai-1, ai∈D, ai-1基本操作P： HuffmanTree() 構造函數 ~ HuffmanTree() 析構函數 Initialization(int WeightNum) 操作結果：構造哈夫曼樹。 Encoder() 初始條件：哈夫曼樹已存在或者哈夫曼樹已存到文件中。 操作結果：對字符串進行編碼 Decoder() 初始條件：哈夫曼樹已存在且已編碼。 操作結果：對二進制串進行譯碼 Print() 初始條件：編碼文件已存在。 操作結果：把已保存好的編碼文件顯示在屏幕 TreePrinting() 初始條件：哈夫曼樹已存在。 操作結果：將已在內存中的哈夫曼樹以直觀的方式顯示在終端上
標簽： ai HuffmanTree CharSet ADT
上傳時間： 2013-12-25
上傳用戶：changeboy
基本思想： 設所排序序列的記錄個數為ｎ。i取1,2,…,n-1,從所有n-i+1個記錄（R,R[i+1],…,R[n]中找出排序碼最小的記錄，與第ｉ個記錄交換。執行n-1趟 后就完成了記錄序列的排序。
上傳時間： 2013-12-19
上傳用戶：kytqcool
給定n個節點xi（i=0,1,...,n-1）上的函數值yi=f[xi]，用拉格朗日插值公式計算指定插值點t處的函數近似值z=f[t]
上傳時間： 2013-12-21
上傳用戶：小眼睛LSL
利用經典的COOLEY-TUKEY基2算法求復序列x[n]的DFTX[k].有Fortran的子程序和主程序,還有C程序
標簽： COOLEY-TUKEY Fortran DFTX 程序
上傳時間： 2017-03-26
上傳用戶：xwd2010
OTSU Gray-level image segmentation using Otsu s method. Iseg = OTSU(I,n) computes a segmented image (Iseg) containing n classes by means of Otsu s n-thresholding method (Otsu N, A Threshold Selection Method from Gray-Level Histograms, IEEE Trans. Syst. Man Cybern. 9:62-66 1979). Thresholds are computed to maximize a separability criterion of the resultant classes in gray levels. OTSU(I) is equivalent to OTSU(I,2). By default, n=2 and the corresponding Iseg is therefore a binary image. The pixel values for Iseg are [0 1] if n=2, [0 0.5 1] if n=3, [0 0.333 0.666 1] if n=4, ... [Iseg,sep] = OTSU(I,n) returns the value (sep) of the separability criterion within the range [0 1]. Zero is obtained only with images having less than n gray level, whereas one (optimal value) is obtained only with n-valued images.
標簽： OTSU segmentation Gray-level segmented
上傳時間： 2017-04-24
上傳用戶：yuzsu
