1. 社交網路核心，推薦演算法有哪些
對好友推薦演算法非常熟悉，有些積累。好友推薦演算法一般可以分為下面幾類：
1、基於關系的推薦
基於關系的推薦，最近寫了一個專欄文章，具體介紹了常用演算法，可以看下有沒有幫助，傳送門：http://zhuanlan.hu.com/gongwenjia/20533434
簡介：
a.社會網路中，三元閉包理論，以及常用推薦演算法
b.Facebook中的推薦演算法是如何做的
2、基於用戶資料的推薦
3、基於興趣的推薦
剩下兩個方面有時間再寫。
近來學習聚類，發現聚類中有一個非常有趣的方向—社交網路分析，分享一下我的大致了解。這篇只是一篇概況，並沒有太多的公式推導和代碼，基本是用人話解釋社交網路分析中的常用的幾種演算法。詳細到每個演算法的以後有空再把詳細的公式和代碼補上。
社區發現演算法，GN演算法，Louvain演算法，LPA與SLPA
Louvain演算法思想
1.不斷遍歷網路中的節點，嘗試把單個節點加入能使模塊度提升最大的社區，直到所有節點不再改變
2.將第一階段形成的一個個小的社區並為一個節點，重新構造網路。這時邊的權重為兩個節點內所有原始節點的邊權重之和。
3.重復以上兩步
LPA演算法思想：
1.初始化每個節點，並賦予唯一標簽
2.根據鄰居節點最常見的標簽更新每個節點的標簽
3.最終收斂後標簽一致的節點屬於同一社區
SLPA演算法思想：
SLPA是LPA的擴展。
1.給每個節點設置一個list存儲歷史標簽
2.每個speaker節點帶概率選擇自己標簽列表中標簽傳播給listener節點。（兩個節點互為鄰居節點）
3.節點將最熱門的標簽更新到標簽列表中
4.使用閥值去除低頻標簽，產出標簽一致的節點為社區。
2. 什麼是角點檢測，角點檢測能做什麼opencv的
目前的角點檢測演算法可歸納為3類：基於灰度圖像的角點檢測、基於二值圖像的角點檢測、基於輪廓曲線的角點檢測。基於灰度圖像的角點檢測又可分為基於梯度、基於模板和基於模板梯度組合3類方法，其中基於模板的方法主要考慮像素領域點的灰度變化，即圖像亮度的變化，將與鄰點亮度對比足夠大的點定義為角點。常見的基於模板的角點檢測演算法有Kitchen-Rosenfeld角點檢測演算法，Harris角點檢測演算法、KLT角點檢測演算法及SUSAN角點檢測演算法。和其他角點檢測演算法相比，SUSAN角點檢測演算法具有演算法簡單、位置准確、抗雜訊能力強等特點。
3. 單片機按鍵檢測。。。誰有辦法做到既能准確只改變一次數值，又不失響應速度。求演算法。。。。。
檢測到按鍵被按下後,在消抖延時的過程中反復檢測,若延時過程中按鍵松開(或彈開),則退出,直到再次檢測到按鍵被按下.
並且,關鍵是,消抖延時最好利用定時中斷來做,這樣的話,在消抖的過程中,也不會影響其它的工作.
我的一般做法是,將定時器設定為1mS中斷一次,假如你採用15mS做按鍵消抖,那就在按鍵檢測程序中檢測到按鍵被按下時,設一個標志位,然後1mS之內就會進定時中斷,在中斷中判斷按鍵是否繼續被按下,若是,則對一個寄存器加一,若不是,則清除按鍵的標志位和該寄存器.若寄存器計到15了,就表示該按鍵已經持續了15個mS是有效的,可以判斷為一次有效按鍵了.
這樣做的好處在於,由於在中斷中只是判斷和設定一兩個標志位,因此佔用的中斷時間很少很少,剩餘的時間就可以退出中斷去繼續干別的.
並且,這個1mS的定時時間,還可以作為系統中其它功能的一個"時基",也可以理解成軟體的"節拍",對這個1mS進行計數,可以得到任何想要的定時標志,例如10mS、100mS、1S等等,這對於很多軟體來說,比單純的一個大循環要好調配得多,並且還容易找出有沖突的地方,便於維護和升級.
當然,對於不同速度的晶元來說,定時器1mS的定時周期或許不太合適,那也可以改為2mS或5mS,反正是便於計數和計算的一個基礎值就可以.
希望對你有用^_^
--------
按一次會連續加幾次的問題,是因為你沒有對按鍵的"松開"進行判斷.
也就是說,按鍵按下後,執行過一次了,就設定一個標志位,直到該按鍵被松開,才清除這個標志位.這樣的話,當再次執行到該按鍵的時候,就可以判斷這一次按鍵有沒有執行過,也就是,這一次按鍵"有沒有用過".用過了就跳過,沒用過才用.
4. yolo演算法是什麼
Yolo是一種目標檢測演算法。
目標檢測的任務是從圖片中找出物體並給出其類別和位置，對於單張圖片，輸出為圖片中包含的N個物體的每個物體的中心位置（x,y)、寬（w)、高（h)以及其類別。
Yolo的預測基於整個圖片，一次性輸出所有檢測到的目標信號，包括其類別和位置。Yolo首先將圖片分割為sxs個相同大小的grid。
介紹
Yolo只要求grid中識別的物體的中心必須在這個grid內（具體來說，若某個目標的中心點位於一個grid內，該grid輸出該目標類別的概率為1，所有其他grid對該目標預測概率設置為0)。
實現方法：讓sxs個框每個都預測出B個boungding box，bounding box有5個量，分別為物體的x,y,h,w和預測的置信度；每個grid預測B個bounding box和物體類別，類別使用one-hot表示。
5. 全國數學建模大賽，論文裡面的源程序要求寫注釋嗎
綜述：
數學建模比賽中使用的方法(如果不是自己提出的)需要注引用,但是程序不需要。
全國大學生數學建模競賽創辦於1992年，每年一屆，已成為全國高校規模最大的基礎性學科競賽，也是世界上規模最大的數學建模競賽。
2018年，來自全國34個省/市/區(包括香港、澳門和台灣)及美國和新加坡的1449所院校/校區、42128個隊(本科38573隊、專科3555隊)、超過12萬名大學生報名參加本項競賽。
全國大學生數學建模競賽是全國高校規模最大的課外科技活動之一。該競賽每年9月(一般在上旬某個周末的星期五至下周星期一共3天，72小時)舉行，競賽面向全國大專院校的學生，不分專業(但競賽分本科、專科兩組。
本科組競賽所有大學生均可參加，專科組競賽只有專科生(包括高職、高專生)可以參加)。同學可以向該校教務部門咨詢，如有必要也可直接與全國競賽組委會或各省(市、自治區)賽區組委會聯系。
6. 闡述基於模塊度的社群劃分演算法有哪些
模塊度值的大小主要取決於網路中結點的社區分配C，即網路的社區劃分情況，可以用來定量的衡量網路社區劃分質量，其值越接近1，表示網路劃分出的社區結構的強度越強，也就是劃分質量越好。
因此可以通過最大化模塊度Q來獲得最優的網路社區劃分。
7. 基於節點相似度的聚類社團發現演算法是fn演算法嗎
當然可以，演算法是一種思想，理論上可以用於任何領域。 其實網路是相當復雜的，如果沒有一些演算法，通俗的說起來就是上網不會這么便捷。 有的演算法可以讓路由表優化。 歡迎追問。 還有就是不知道你說的十大演算法具體是什麼，學術界應該還沒有規定。
8. 請教Louvain演算法的Java程序（程序小白完全看不懂，希望大神詳解）
Louvain演算法主要針對文獻[1]的一種實現，它是一種基於模塊度的圖演算法模型，與普通的基於模塊度和模塊度增益不同的是，該演算法速度很快，而且對一些點多邊少的圖，進行聚類效果特別明顯，本文用的畫圖工具是Gephi，從畫圖的效果來說，提升是很明顯的。
文本沒有權威，僅是個人工作中的一點總結與思考，能力與時間有限，理解不免有些淺薄，僅做參考。也可能有理解偏差或錯誤，如有發現，希望不吝指教，多謝！
由於演算法中的公式太多，不方便用markdown編輯，所以就將編排好的文檔轉成圖片，如需完整的文檔請點擊這里下載。
9. 基於matlab的邊緣檢測的robert運算元的演算法怎麼寫
matlab本身有庫函數的。直接調用啊
VC代碼：
void BianYuanJianCeDib::Robert()
{
LPBYTE p_data; //原圖數據區指針
int wide,height; //原圖長、寬
int i,j; //循環變數
int pixel[4]; //Robert運算元
p_data=this->GetData ();
wide=this->GetWidth ();
height=this->GetHeight ();
LPBYTE temp=new BYTE[wide*height]; //新圖像緩沖區
//設定新圖像初值為255
memset(temp,255, wide*height);
//由於使用2*2的模板，為防止越界，所以不處理最下邊和最右邊的兩列像素
for(j=0;j<height-1;j++)
for(i=0;i<wide-1;i++)
{
//生成Robert運算元
pixel[0]=p_data[j*wide+i];
pixel[1]=p_data[j*wide+i+1];
pixel[2]=p_data[(j+1)*wide+i];
pixel[3]=p_data[(j+1)*wide+i+1];
//處理當前像素
temp[j*wide+i]=(int)sqrt((pixel[0]-pixel[3])*(pixel[0]-pixel[3])
+(pixel[1]-pixel[2])*(pixel[1]-pixel[2]));
}
//將緩沖區中的數據復制到原圖數據區
memcpy(p_data, temp,wide*height);
//刪除緩沖區
delete temp;
}
