纯C语言实现eig算法，通过C语言求解矩阵的特征值与特征向量，主要用到QR分解。
结果与matlab结果对比相同

对于提取的振动信号，需要进行去噪和分解处理，并提取特征向量，利用MATLAB小波分析可以实现上述目的。

本人研究生阶段写文档所写的Matlab代码。
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取有效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost

一、行列式1.1二阶与三阶行列式1.2全排列与对换1.3n阶行列式1.4行列式的方式1.5行列式按某行展开1.6克拉默法则二、矩阵及其运算2.1线性方程组和矩阵2.2矩阵的运算2.3特殊矩阵（方矩阵）2.4逆矩阵2.5分块矩阵2.6分块求逆2.7初等阵及初等变换法求逆阵2.8矩阵的秩2.9线性方程组的解三、向量组的线性相关性3.1向量组的线性相关性3.2向量的秩3.3非齐次方程组解的结构四、相似矩阵及二次型4.1特征值与特征向量4.2矩阵的相似变换及对角化4.3內积与施密特正交4.4实对称矩阵的对角化

Jacobi__矩阵特征值和特征向量（具体，有例子）

浙江大学计算方法全套课件，内容包括线性代数方程组非线性方程求根数值积分数值微分微分方程特征值与特征向量等

艾滋病疗法的评价及疗效的预测摘要艾滋病是至今人类仍未征服的疾病，流行发展趋势越来越严峻，攻克艾滋病是人类面临的一大难题。
本文给出了艾滋病患者的临床治疗数据，要考虑预测继续治疗的效果，并评价各种治疗方案优劣，预测即根据已有的数据信息推算将来的数据，评价方案的优劣属于决策类问题。
对问题（1），先分析CD4和HIV的浓度的变化趋势，建立微分方程模型，无法求解析解，用软件matlab求出CD4和HIV的参数表达式，从附件的数据信息中挖掘出具有普遍特征的数据，用回归法求参数的值，因为得到的表达式不是常规的形式，只能回归出HIV表达式的参数，CD4的无法求出。
作数据分布图，发现描出的形状同二次曲线的图形相近，二次曲线的图形特性符合CD4的浓度变化趋势。
于是建立待定系数的二次曲线方程模型，先拟合出多组参数值，再用回归法确定最后的值，得出的二次曲线方程。
根据HIV和CD4的浓度表达式结合可以作出提前终止治疗的预测，终止时间在第30周。
问题（2），预测四种疗法的继续治疗效果。
首先将患者按CD4初始浓度分类，仍引用前面的二次曲线模型，用附件二的数据回归出曲线方程的参数。
回归过程中考虑到是要评价不同的疗法，根据疗法的不同把数据分为四类，回归得出四组参数，相应的表达式就是这种疗法的CD4的浓度变化曲线方程。
比较四种疗法的优劣，采用CD4浓度最大值和取得最大值的时间为评判标准，结合更加细化的分类数据画出的图形，从理论上和直观上都证实了评价的结果：疗法4效果最好，疗法3次之，疗法2再次之，疗法1效果较差；
利用二次曲线模型得出最佳方案停止用药的最佳时间为20周，同时由分类法模型得出在四种不同CD4初始浓度的条件下最佳方案停止用药的最佳时间分别为：24周、16周、16周、24周。
两种模型的结果相接近。
问题（3）要考虑药品价格因素的影响，价格和药效的权重无法确定，通过假设权重参数来定量表示价格和药效的关系。
采用层次分析法构建层次结构模型，用特征向量归一化并求组合权向量，找到疗法功能和价格权重的关系。
根据不同经济状况的国家的价格权重的值不一样，得到不同的疗法评价结果。
总结出如下的结论：不发达国家经济落后，价格权重较大，疗法1的评价值较高，疗法4的评价值较低，适合疗法1，对于发达国家应当推广疗法4。
文章的最后对模型地优缺点进行了评价，并作了推广。
关键词艾滋病疗法评价微分方程二次曲线回归层次分析

对文本进行聚类，文本预处理-_-构造特征向量-_-聚类，紧缩包内含有实验用语料

功率迭代演示了计算矩阵特征向量的幂迭代方法。
专为哈佛大学数学121而设计。

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。