搜索资源列表
B+树实现旅游图站点搜索
- 一、 需求分析： （1） 已知某市每条公路路线及沿途所经过的站名，要实现的功能是：在任一车站终端查询知道 1、 是否有公共汽车到达指定的目的地（任一站点） 2、 若有，打印出乘车的路线（不一定唯一）。如需中途换车，应指示在哪里换哪条线路的车。 （2） 实现的数据结构：因为将公共交通图看成是一个有向图，所以选择十字链表为其数据结构。 其中有信息点为：站点的连接关系（十字链表的弧头和弧尾链域很好的实现了这个功能） 反应途径的线路号（这个当作弧的信息域，含有两个往返的方向，并且每个方向又对
cvtMDA
- 多重判别分析，根据输入样本和标签自动生成判别空间-Multiple discriminant analysis, and labeling of the input sample space automatically generated discriminant
RFID-anti-collision-multi-tag
- 针对无线射频识别(radio frequency identification，RFID)系统的多标签碰撞问题，在分析RFID标签编码规则的基础上，提出根据标签编码规则进行标签分组和标签预淘汰的方法，在读写器识别的初始阶段根据特定的规则淘汰部分标签，从而减少系统工量，提高系统工作效率.实例证明：在不增加标签结构复杂度的基础上，充分利用已有的有效信息能够有效减少阅读器的查询次数和系统的总通信量．-For radio frequency identification (radio frequency
周二上
- 去除噪声万条短信信息。原始数据的格式如下：第一列是每一条短信的编号，第二列是短信类别标签（0代表该条短信不）(Remove noise messages. The original data is formatted as follows: the first column is the number of each text message, and the second is the SMS category label (0 represents the text message))
MLkNN
- ML-KNN，这是来自传统的K-近邻（KNN）算法。详细地，为每一个看不见的实例中，首先确定了训练集中的k近邻。之后，基于从标签集获得的统计信息。这些相邻的实例，即属于每个可能类的相邻实例的数量，最大后验（MAP）原理。用于确定不可见实例的标签集。三种不同现实世界中多标签学习问题的实验研究，即酵母基因功能分析、自然场景分类和网页自动分类，表明ML-KNN实现了卓越的性能(ML-KNN which is derived from the traditional K-nearest neighbo
svm分类预测
- wine的数据来源是UCI数据库，记录的是在意大利同一区域里三种不同品种的葡萄酒的化学成分分析，数据里含有178个样本，每个样本含有13个特征向量（化学成分），每个样本的类别标签已给，该程序主要实现意大利葡萄酒种类识别。(The data source for wine is the UCI database, which records the chemical composition of three different varieties of wines in the same area
UWB定位
- UWB1000模块测试所得数据初步处理之后，已知锚点的坐标，可利用该文件里的程序解算标签三维位置。(After preliminary processing of data obtained from UWB1000 module test, the coordinates of anchor points are known, and the program in this file can be used to calculate the three-dimensional position
nlp7294
- 22w条打好标签的数据，供短文本主题分类使用(22W labeled data for short text topic classification)