密码学考试复习（关于快速指数算法和扩展欧几里得求逆元），之前考试自己整理的，今天又要学了。里面的算法还能看，还整理的比较透彻当时。备用了留在这。不知道为什么之前上传的xmind一点就跳转到别的页面了，这次压缩下。

密文 1： UZQSOVUOHXMOPVGPOZPEVSGZWSZOPFPESXUDBMETSXAIZVUEPHZHMDZSHZQWSFPAPPDTSVPQUZWYMXUZUHSXEPYEPOPPZSZUFPOMBZWPFUPZHMDJUDTMOHMQ 密文 2：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

基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。

使用Resnet50进行图像相似度检测 介绍 给定一批图像，该程序将尝试使用基于Resnet50的特征向量提取来找到图像之间的相似性。 用法 python kreas_resnet50.py会将images文件夹中存在的所有图像python kreas_resnet50.py比较，并为每个图像提供最相似的图像。 先决条件 下载 使下载的Shell脚本可执行并安装 conda -V检查安装是否成功。 conda update conda和conda update anaconda conda update scikit-learn conda install theano conda install -c conda-forge tensorflow pip install keras export MKL_THREADING_LAYER=GNU 注意：有关更多描述性说明

斯坦纳树可视化 一个 Python 程序，它在直线和欧几里得空间中显示 MST，以及在直线和欧几里得空间中显示 SMT。

利用扩展欧几里得方法，进行快速的计算C（n,m）%P;

欧几里德分割法称之为标准的距离分离，另外一种分割方法是条件聚类算法，这个条件的设置是可以由我们自定义的，因为除了距离检查，聚类的点还需要满足一个特殊的自定义的要求，就是以第一个点为标准作为种子点，候选其周边的点作为它的对比或者比较的对象，如果满足条件就加入到聚类的对象中。

介绍了扩展欧几里得算法的实现代码，有需要的朋友可以参考一下

本文主要介绍基于项目的协同过滤推荐算法的推荐原理、推荐过程、代码实现。 一、基于项目的协同过滤推荐算法推荐原理 基于项目的协同过滤推荐算法也是推荐算法中最基础、最简单、很重要的算法，主要是根据用户对项目的某一种操作行为，构成项目-用户操作行为矩阵，根据操作行为矩阵计算项目之间的相似度，最终为目标用户推荐目标用户有操作行为的预测评分高的项目，作为目标用户感兴趣的项目。 二、基于项目的协同过滤推荐算法推荐过程 基于项目的协同过滤推荐算法推荐过程可分为三个步骤：构建项目-用户操作行为矩阵、计算项目之间似度、获取推荐结果。 1、构建项目-用户操作行为矩阵 我们以用户对项目的评分数据为例，M个项目和N个

L2范数 计算数组的 L2 范数（）。 安装 $ npm install compute-l2norm 要在浏览器中使用，请使用 。 用法 var l2norm = require ( 'compute-l2norm' ) ; l2norm( arr[, accessor] ) 计算array的L2范数（欧几里得范数）。 var data = [ 2 , 7 , 3 , - 3 , 9 ] ; var norm = l2norm ( data ) ; // returns ~12.3288 对于对象arrays ，提供一个访问function访问array值。 var data = [ [ 'beep' , 3 ] , [ 'boop' , 4 ] ] ; function getValue ( d , i ) { return d [ 1 ] ; } var no