摘要：
进行java开发，首先要安装jdk，安装了jdk后还要进行环境变量配置：1、下载jdk（http://www.oracle.com/technetwork/java/javase/downloads/jdk-7u1-download-513651.html），我下载的版本是：jdk-7u1-windows-i586.exe2、安装jdk-7u1-windows-i586.exe3、配置环境变量：右击“我的电脑”-->"高级"-->"环境变量"1）在系统变量里新建JAVA_HOME变量，变量值为：C:\Program Files\Java\jd 阅读全文
摘要：
原文地址：MFC中自定义类访问主对话框控件作者：lostman在使用mfc的时候经常遇到自定义类访问主对话框控件的问题，例如自定义类中的方法要输出一段字符串到主对话框的EDIT控件、控制对话框的进度条等。要在自定义的类中访问主对话框空间，须获得主对话的指针。主对话框的对象在app类的InitInstance()方法中声明。查看app类的cpp文件，在InitInstance()方法中有如下语句：CAppDlg dlg;m_pMainWnd = &dlg;主对话框指针被传给m_pMainWnd 成员，按f12查看其定义，发现m_pMainWnd 是在afxwin.h中声明的成员：CWnd 阅读全文
摘要：
UpdateData(True): 表示写数据，将窗口控制变量写入内存（更新数据）-------使用OnOk时将自动调用UpdateData(True) ，用以将窗口数据写入内存相应成员变量中UpdateData(Flase): 表示读数据，即显示窗口读取内存的数据以供实时显示------使用OnInitDialog中，MFC调用UpdateData(False)将内存成员数据显示到对应的窗口中比如：CDialog的成员函数OnInitDialog()BOOL CDialog::OnInitDialog(){// execute dialog RT_DLGINIT resourceBOOL b 阅读全文
摘要：
启用和禁用控件可以调用CWnd::EnableWindow 函数。BOOL EnableWindow(BOOL bEnable = TRUE);判断控件是否可用可以调用 CWnd::IsWindowEnable函数BOOL IsWindowEnable();添加个按钮，和一个编辑框代码如下：void CFindText2Dlg::OnBtnEnabled(){CWnd *pWnd = GetDlgItem(IDC_EDIT1);if (pWnd->IsWindowEnabled()){pWnd->EnableWindow(FALSE);SetDlgItemText(IDC_BTN_ 阅读全文
摘要：
一、下微软的补丁：KB948127补丁来解决，http://code.msdn.microsoft.com/KB948127。貌似安装了也不起作用二、如果下载的补丁没安装成功或下载失败，可以用下面的方法手工来改工程设置项目(Project)->属性(Property)->链接器(Linker)->常规(General) 下面的“启用增量链接(Enable Incremental Linking)”，将“是(/INCREMENTAL)”改为“否(/INCREMENTAL:NO)”。不过这又引入了另外一个警 告：FormatCom.obj : warning LNK4075: 忽 阅读全文
摘要：
CART(Classification And Regression Tree)算法采用一种二分递归分割的技术，将当前 的样本集分为两个子样本集，使得生成的决策树的每个非叶子节点都有两个分支。因此，CART算法生成的决策树是结构简洁的二叉树。 以下是算法描述：其中T代表当前样本集，当前候选属性集用T_attributelist表示。 （1）创建根节点N （2）为N分配类别 （3）if T都属于同一类别or T中只剩下 一个样本则返回N为叶节点，为其分配属性 （4）for each T_attributelist中属性执行该属性上的一个划分，计算此划分的GINI系数 （5）N的测试属... 阅读全文
摘要：
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权 值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排 除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。 目前，对adaboost算法的研究以及应用大多集中于分类问题，同时近年也出 现了一些在回归问题上的应用. 阅读全文
摘要：
原文地址：决策树算法之一分类回归树(C&RT)作者：SAS_Miner分类回归树classification and regression tree(C&RT)racoon优点（1）可自动忽略对目标变量没有贡献的属性变量，也为判断属性变量的重要性，减少变量数据提供参考；（2）在面对诸如存在缺失值、变量数多等问题时C&RT 显得非常稳健（robust）；（3）估计模型通常不用花费很长的训练时间；(4) 推理过程完全依据属性变量的取值特点（与 C5.0不同，C&RT的输出字段既可以是数值型，也可以是分类型）（5）比其他模型更易于理解——从模型中得到的规则能得到非常直 阅读全文
摘要：
花了两天时间将cart算法中离散数据分类写完（后面还有连续数据的处理和决策树裁剪）。这次感觉比id3实现要更有成就感，毕竟一般以上的代码自己写的。不过看看写好的代码还是有些不堪回首啊。写代码还不熟练以后要多加锻炼！cart算法介绍：与id3相比cart主要在度量参数方面不同，cart用gini指标用作属性划分的标准。，其中pi为D中元素属于Ci类的概率。对于元素的二元分裂由另一公式判断：对于单列属性的二元分裂要选取GiniA(D)最小的一个来最为该属性列上的一个合理划分。而选择作为节点的属性列也要根据最小的gini指标判断。大致的特点就是这样。1for(inti=0; i<columns 阅读全文
摘要：
原文地址：传智播客：数据结构基础：堆和栈作者：habernate栈与堆都是Java用来在Ram中存放数据的地方。与C++不同，Java自动管理栈和堆，程序员不能直接地设置栈或堆。Java的堆是一个运行时数据区,类的(对象从中分配空间。这些对象通过new、newarray、anewarray和multianewarray等指令建立，它们不需要程序代码来显式的释放。堆是由垃圾回收来负责的，堆的优势是可以动态地分配内存大小，生存期也不必事先告诉编译器，因为它是在运行时动态分配内存的，Java的垃圾收集器会自动收走这些不再使用的数据。但缺点是，由于要在运行时动态分配内存，存取速度较慢。栈的优势是，存取 阅读全文
摘要：
堆和栈是两个不用概念堆和栈的区别 作者: 芊珑发布日期: 2006-2-10 查看数: 125 出自: http://www.cnitexam.com 一、预备知识—程序的内存分配 一个由c/C++编译的程序占用的内存分为以下几个部分 1、栈区（stack）— 由编译器自动分配释放 ，存放函数的参数值，局部变量的值等。其操作方式类似于数据结构中的栈。 2、堆区（heap） — 一般由程序员分配释放， 若程序员不释放，程序结束时可能由OS回收 。注意它与数据结构中的堆是两回事，分配方式倒是类似于链表，呵呵。 3、全局区（静态区）（static）—，全局变量和静态变量的存储是放在一块的，初始化的. 阅读全文
摘要：
先下载该软件和注册机UltraEdit v17.00.0.1041简体中文版下载地址：http://www.ultraedit.com/files/ue_chinese.zip（同时也是最新简中版下载地址）UltraEdit v17.00.0.1041简体中文版注册机下载地址：http://dl.dbank.com/c0c97pmduu使用方法：1. 打开注册页面；2. 选择脱机激活；3. 把用户码1，用户码2复制到注册机的 User Code 1 和User Code 2；4. 点击注册机的Generat，生成Authorization1 和 Authorization2；5. 复制Auth 阅读全文
摘要：
莱文斯坦距离(LD)用于衡量两个字符串之间的相似度。 以下我们称这两个字符串分别为 s (原字符串) 和 t (目标字符串)。莱文斯坦距离被定义为''将字符串 s 变换为字符串 t 所需的删除、插入、替换操作的次数''。例如：s="test", t="test", 那么 LD(s,t)=0，因为不需要做任何变换两者已相等；s="test", t="tent", 那么 LD(s,t)=1，因为s变换为t只需做一次替换(将"s"替换为"n")。莱文 阅读全文
摘要：
原文地址：AdaBoost算法的训练过程作者：charming每个Haar特征对应看一个弱分类器，但并不是任伺一个Haar特征都能较好的描述人脸灰度分布的某一特点，如何从大量的Haar特征中挑选出最优的Haar特征并制作成分类器用于人脸检测，这是AdaBoost算法训练过程所要解决的关键问题。Paul Viola和Michael Jones于2001年将Adaboost算法应用于人脸检测中,其基本思想是针对不同的训练集训练同一个分类器（弱分类器），然后把这些不同训练集上的得到的分类器联合起来，构成一个最终的强分类器。Adaboost 算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始 阅读全文
摘要：
#include<iostream>#include<algorithm>#include<functional>#include<cmath>#include<vector>using std::vector;using namespace std;#define FCOUNT 100//特征数#define CCOUNT 30//弱分类器个数#define PCOUNT 200//正样本数#define NCOUNT 300//负样本数structsample{ int features[FCOUNT];//特征 int pos_ 阅读全文
摘要：
首先就是直观的理解adaboost，就是weak classifiers 可以组合成 strong classifer。具体算法流程就是，首先所有samples的权重相同(也有根据正负类的个数不同，权重不同的调整)对每个feature，寻找这个feature对应的分类器，来分类，由于是只用了一个feature，所以分类效果不好，当然只要分类错误小于50%就OK，遍历所有的feature，找到一个分类错误最小的feature以及对应的阈值theta，对分类错误的samples加权，即这些很错的samples很重要，比其他的重要。接着对这些权重不一的samples再分类，继续上面的过程直到T次，这 阅读全文
摘要：
问题runtime errorprogram:d:\MATLAB\bin\win32\MATLAB.exethis application has requested the runtime to terminate it in an unusual way. please contact the application's support team for more information1.安装完后，单击图标属性，将兼容性从默认的WINDOWNS95 改成WINDOWNS2000.（我的就是这个原因）2.将桌面的主题改成WINDOWNS 经典。（这个我原来也遇到过，改一下就行了）。 阅读全文
摘要：
在Word2010文档中，利用自选图形库提供的丰富的流程图形状和连接符可以制作各种用途的流程图，制作步骤如下所述：第1步：打开Word2010文档窗口，切换到“插入”功能区。在“插图”分组中单击“形状”按钮，并在打开的菜单中选择“新建绘图画布”命令，如图1所示。图1选择“新建绘图画布”命令小提示：也可以不使用画布，而只直接在Word2010文档页面中直接插入形状。第2步：选中绘图画布，在“插入”功能区的“插图”分组中单击“形状”按钮，并在“流程图”类型中选择插入合适的流程图。例如选择“流程图：过程”和“流程图：决策”，如图2所示。图2 选择插入流程图形状第3步：在Word2010“插入”功能区 阅读全文
摘要：
转自http://www.opencv.org.cn/forum/viewtopic.php?f=1&t=4264#p15258此文对研究adaboost算法具有很大帮助！本博转贴于此，如果有妥请与我联系．上学期拿出一部分时间来做adaboost，做的时候做了一些笔记。论坛上也有一些正在读程序研究算法的人。我就把这份粗糙的笔记拿出来与大家分享一下吧。肯定有错误的地方，也有不妥当的地方，大家不要太相信我还有这个地方不能贴公式，不能贴图片，还有我很懒，就挑了几幅重要的贴了，其他的大家去看文章吧排版不好看，也许写得也不明白，大家多包涵，希望大家可以完善这个文档。让后来者少走些弯路。不用发论坛 阅读全文
摘要：
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。 目前，对Adaboost算法的研究以及应用大多集中于分类问题，同时近年也出 现了一些在回归问题上的应用。就其. 阅读全文