参考文献《基于泰勒级数展开的蜂窝TDOA 定位算法》以及 《基于Chan氏算法和Taylor级数展开法的协同定位方法》对Taylor算法进行仿真；认定基站数目为5个；

基于机器学习中推荐系统的经典电影数据集 。常用数据集 电影推荐系统数据集地址 基于用户的协同过滤，基于物品的协同过滤

针对Taylor算法进行TDOA定位时，其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题，提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x，y），再通过Taylor算法在（x，y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此，所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上，同时提高了全局搜索能力，使其具有更高的定位精度和收敛性。

推荐系统，运用数据挖掘算法，数据挖掘课程的必备选择

基于双子群协同进化思想和果蝇优化算法，提出了一种求解0-1背包问题的双子群果蝇优化算法。利用双子群协同进化以及群半径自动调节来增强搜索过程的多样性，提高算法全局寻优能力；给出了双子群果蝇优化算法的具体步骤，并用MATLAB软件编程实现。通过对多个0-1背包问题的算例进行测试，并将测试结果与其他文献结果进行比较，结果表明，双子群果蝇优化算法具有较好的全局寻优能力，可作为求解0-1背包问题的一种实用方法。

由于用户评分标准存在差异,基于打分的协同过滤推荐算法在近邻选择过程中存在误差｡针对以上问题,提出考虑用户间消极相似性的排序推荐算法 (NS-TauRank),该算法不经过对拟推荐项目的预测评分过程｡定 义 DP函 数 表 示 项目对相关属性,充分利用用户间的消极相似性,即相似性为负的用户之间的爱好相反,改进目标用户的近邻选择过程,采用舒尔茨方法进行偏好融合,优化目标用户拟推荐项目的排序｡在 Eachmovie和 movielens数据集上对改进算法进行验证,以 NDCG作为评价函数,验证结果表明,该算法在两个数据集上的 NDCG@1-2值较对比算法有4%-7%的提高,产生了更可靠的拟推荐序列｡

java开发，内附算法协同。下载即可运行，内带数据库资源。

主要介绍了Java编程实现基于用户的协同过滤推荐算法代码示例，具有一定参考价值，需要的朋友可以了解下。

系统功能模块划分和说明 一、用户登陆注册模块 二、音乐分类管理 三、音乐管理 四、音乐收藏管理 五、角色管理 六、系统管理 七、个人信息管理 八、推荐模块 协同过滤推荐算法 协同过滤常常被用于分辨某位特定顾客可能感兴趣的东西，这些结论来自于对其他相似顾客对哪些产品感兴趣的分析。协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热。 协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用 户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。 与传统文本过滤相比，协同过滤有下列优点: （1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐; （2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤; （3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。 缺点是: （1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）; （2）随着用户和商品的增多，系统的性能会越来越低; （3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。 因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。

将用户评分和用户属性（性别、年龄等）加权混合推荐 1、解压下载的CollaborativeFilteringBasedUserAndGener压缩文件 2、操作系统中需装java jdk1.7或者以上版本 3、点击start.bat，在运行过程中，会输出评分时间，然后输出用户id进行推荐，同时会输出平均绝对误差MAE 4、数据集movielens