摘要：作者slostice http://blog.csdn.net/Solstice/archive/2008/10/13/3066268.aspx 转者注：） 我也是不喜欢继承和虚函数的，耦合度太大，我喜欢STL，boost，CGAL风格的C++。我经常使用的是template, 仿函数，用编译期的多态替代虚函数(见effective c++ 条款41 了解隐式接口和编译期多态)。 例如Example<WriteFunc1,Writer2> example;example.process();这真是C++的伟大灵活之处， m_func可以是任何一个函数对象只要其内部定义了opera 阅读全文

摘要：原文http://www.cppblog.com/walkspeed/archive/2007/07/20/28448.html当我们使用函数时习惯于C函数的格式,即如下形式resulttype funname( arglist );返回值类型 函数名( 参数列表 );在Boost.Function中，我们可以方便的定义定义函数对象。不过在定义用来表示类成员函数的函数对象时第一个参数是类指针。而且在调用时，要传入一个类实例的指针。这样用起来并不是很方便，因为调用者要知道类实例。这实际上没有实现解耦。而解耦是我们使用回调或委托设计的一个目标。为了解决这个问题，我们要使用Boost.Bind库Bo 阅读全文

摘要：最近用boost::math库，发现会和我以前的程序冲突。比如我的程序如果用到 #include<tr1/unordered_map> 等等std::tr1名字域下的东西。。。 google了下，原因是boost::tr1设计初衷是为了在你的系统没有std::tr1标准库实现的情况下让你仍然可以在程序中使用std::tr1::unordered_map, std::tr1::tuple等东东，当然了这是一个work around,也就是你其实还是用的boost::tuple等等 只是你的代码写的时候可以写std::tr1::tuple。 比如boost的math库的一个分布函数的 阅读全文

摘要：如果你经常使用STL算法，那么你会注意到函数对象的传递都是传值的形式如下面的sort, for_each,_Compare __comp 而不是 _Compare& __comp传递引用。这里你是否会疑惑呢，为什么要用传值的形式而不用传递引用呢，毕竟函数对象区别于函数指针的一大优点是自身可以带有状态变量。如下面这个函数对象它是带有一个状态变量a的，其实可以带有更复杂更占内存的变量更多的变量，那么传值的方式肯定有很大的拷贝代价了。现在我有一个应用，读取数据库中的词并统计热门词，现在问题来了，见下面那么言归正传，为什么STL要是使用传值的方式呢？？用于传递函数对象呢？？？ 我觉得是为了下面 阅读全文

摘要：以前写了个关于MMSEG实现的，那个写的很烂，本身我也没有实现完全。最近在工作中对原有系统的分词进行了代码重构和算法优化。并且针对电子商务网站搜索的特征，给出对于离线没有识别出歧义的片段进行全切分，而且与IK的全切分不同，同时我们还要保证路径的完整，即我们不需要找到所有的路径，但是我们要确定所有的全切分可能路径出现的词都会被切出，而IK的切法只是给出所有有意义的词，并不考虑完整路径问题，比如 “中华人民” 按照IK的切法，“中华” “华人” “人民”，而我们希望的结果是“中华，中，华人， 阅读全文

摘要：简介： 主要参考<<introduction to statistical pattern recognation>>第六章，做简单笔记。 1. 参数化与非参数化 参数化是指我们对于概率预先做出了分布形式假设，我们要做的只是估算参数值，比如我们假定是高斯分布，二项式分布等等。 非参数化直接从观察数据估计概率密度，不依赖任何对分布形式的假设。 2. 如何非参数化估计？ 可以采用Parzen密度估计方法。 可以采用KNN方法。 区别是Parzen方法是固定v，不固定k,而KNN方法是固定k，不固定v。 3. 结论 贝叶斯分类器是最小化分类误差的理论上的最优分类器 参数化 阅读全文

摘要：1. 简介： 主要是Andrew W.Moore 的课件Predicting real-valued outputs: an introduction to regression学习笔记（逐步完成)。 2. 单一参数线性回归 single parameter linear regression 前面关于PRML第一章学习笔记中已经贴了该部分。注意最后的最优求解很简单，按照偏导数=0。 对应最小... 阅读全文

摘要：written by goldenlock 简介： 本文主要对PRML一书的第一章总结，结合moore关于回归的课件Predicting real-valued outputs: an introduction to regression。 什么是回归(regression)? 1. 单一参数线性回归 如上图考虑用一条过原点的直线去拟合采样点，y=wx,那么未知参数w取什么值可以使得拟合最好的，即整体拟合误差最小，这是一个最小二乘法拟合问题。 目标是使得(Xi-Yi)^2的总和最小。 2. 从概率的角度考虑上面的问题 就是说我们假定模型是y=wx但是具体的(Xi,Yi)对应生成的时候按照高斯 阅读全文