<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[不要问我从哪里来]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/einsdrw</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; einsdrw]]></copyright><item><title><![CDATA[字符串匹配KMP算法]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/45536557</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/45536557</guid><author>einsdrw</author><pubDate>Wed, 06 May 2015 15:34:37 +0800</pubDate><description><![CDATA[问题：给定一个字符串A，要求在A中查找一个字串B。
例如，主串T=”cabcabcabcabd”，模式串P=”abcabd”
    令i，j分别指向主串和模式串中字符的位置。
    最基础的解法（BF算法），i,j置为0，每一次循环，主串从位置i开始，模式串从位置j开始，依次比较字符是否匹配，当T[i]==P[j]时，继续比较下一个字符，当T[i]!=P[j]时，i退回到i-j，即开始比]]></description><category></category></item><item><title><![CDATA[最小二乘法拟合直线]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/44626513</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/44626513</guid><author>einsdrw</author><pubDate>Wed, 25 Mar 2015 20:08:50 +0800</pubDate><description><![CDATA[问题描述：
  已知变量(x,y)的一组观测数据，求一条直线能很好的拟合那些观测数据。
解决方法：
  建立一元线性回归模型 
  Y=β 0 x+β 1 +ϵ Y=\beta_{0}x+\beta_{1}+\epsilonEϵ=0,Dϵ=DY E\epsilon=0,D\epsilon=DY  要使得一条直线能很好的拟合观测点数据，这要求该直线与数据点的偏差最小，该偏差可以用残差平方和来表示：]]></description><category></category></item><item><title><![CDATA[c语言取整方法]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/44407393</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/44407393</guid><author>einsdrw</author><pubDate>Wed, 18 Mar 2015 10:58:15 +0800</pubDate><description><![CDATA[//实验环境：vc6.0（1）使用int强制转换
  使用int强制转换的结果就是去掉小数部分。
  
  int a; 
  a=int(1.2);      //a=1 
  a=int(-1.2);   //a=-1
（2）使用floor函数向下取整
  使用floor函数的结果是向下取整，即得到比该数小的最大整数，需要包含头文件math.h 
  in a; 
  a=floor(1.2);]]></description><category></category></item><item><title><![CDATA[根据先序序列和中序序列重建二叉树]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/44159003</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/44159003</guid><author>einsdrw</author><pubDate>Fri, 13 Mar 2015 14:42:53 +0800</pubDate><description><![CDATA[参考资料：《剑指offer》 
问题如下：已知二叉树的先序序列和中序序列，编写函数实现该二叉树的重建，假设二叉树中无重复元素。 
假设某二叉树： 
先序序列：{1,2,4,7,3,5,6,8} 
中序序列：{4,7,2,1,5,3,8,6} 
思路：二叉树先序遍历的第一个结点就是根节点，中序遍历根节点在中间，左边是左子树的结点，右边是右子树的结点，这样，根据两种遍历就可以确定左子树和右子树结点的先序]]></description><category></category></item><item><title><![CDATA[图像旋转以及C代码实现]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/43525751</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/43525751</guid><author>einsdrw</author><pubDate>Thu, 05 Feb 2015 11:27:56 +0800</pubDate><description><![CDATA[图像旋转就是将图像按一定角度旋转，依据当前点坐标计算出来的旋转后的坐标往不是整数，因此需要进行插值。常用的插值方法有最近邻插值法、线性插值法和样条插值法（这个我也不懂）。最近邻插值速度快，效果差；双向性插值法效果较好，速度还行。这里只讨论使用反向映射和双线性插值的图像旋转。
旋转原理：
反向映射就是依据旋转后图像中的坐标，求出其在原图像中的坐标。
如图，将图像逆时针旋转一个角度]]></description><category></category></item><item><title><![CDATA[Hough变换以及C实现]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/38757621</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/38757621</guid><author>einsdrw</author><pubDate>Fri, 22 Aug 2014 15:56:42 +0800</pubDate><description><![CDATA[霍夫变换于1962年由PaulHough 首次提出，后于1972年由RichardDuda和PeterHart推广使用，经典霍夫变换用来检测图像中的直线，后来霍夫变换扩展到任意形状物体的识别，多为圆和椭圆。
一 基本思想
    Hough的基本思想就是构造参数平面，找出参数平面上的峰值点，从而得到所需检测形状的参数。
    以直线问题来阐述：在找出边界点集之后，需要连接，形成完整的边界图]]></description><category></category></item><item><title><![CDATA[模糊C均值聚类以及C实现]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/37930331</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/37930331</guid><author>einsdrw</author><pubDate>Fri, 18 Jul 2014 15:35:53 +0800</pubDate><description><![CDATA[1. 基本介绍
同K均值类似，FCM算法也是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。
模糊C均值是普通C均值聚类算法的改进，普通C均值对数据进行硬性划分，一个样本一定明确的属于某一类，FCM对数据进行模糊划分，使用隶属度表示一个样本属于某一类的程度。实际聚类中可能会遇到这样的情况，蝴蝶形数据集中样本点的类别不好硬性判断，所以引入隶属]]></description><category></category></item><item><title><![CDATA[k-means聚类及C代码实现]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/37663099</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/37663099</guid><author>einsdrw</author><pubDate>Thu, 10 Jul 2014 20:31:04 +0800</pubDate><description><![CDATA[1 基本步骤
k均值聚类算法是一种基于划分的聚类方法，即把数据样本划分成k个分区，每个分区代表一簇。这些簇的形成旨在优化优化一个客观的划分准则，如基于距离的相异性函数，使得在同一簇中，样本是“相似的”，不同簇的样本是“相异的”。
 
k均值的基本聚类过程如下：
（1）选取k个样本作为初始聚类中心；]]></description><category></category></item><item><title><![CDATA[CString,string,char[],int相互之间的转换]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/36895951</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/36895951</guid><author>einsdrw</author><pubDate>Fri, 04 Jul 2014 16:07:39 +0800</pubDate><description><![CDATA[//亲测可行，欢迎指正补充

｛
 CString cstrText;
 string strText;
 char* charText;
 int intText;
 float floatText;
 //CString->string
 cstrText="abcd";
 strText="";
 //方法1
 strText=LPCSTR(cstrText);
 ]]></description><category></category></item><item><title><![CDATA[opencv1 打不开某些avi视频的问题]]></title><link>https://blog.youkuaiyun.com/einsdrw/article/details/27653399</link><guid>https://blog.youkuaiyun.com/einsdrw/article/details/27653399</guid><author>einsdrw</author><pubDate>Fri, 30 May 2014 11:01:49 +0800</pubDate><description><![CDATA[opencv1 的 CcvCreateFileCapture("C:\\Users\\yfb\\Desktop\\test\\1080P笋岗路1.avi");]]></description><category></category></item></channel></rss>