一种简单快速的生成双随机矩阵的算法。 （矩阵，其中每列和每行的总和正好是 1）。 每个矩阵都是从所有 NxN 双随机的空间中统一选择的矩阵。 注意：生成的矩阵确实是双随机的，但不是证明/检查该算法确实生成了矩阵 UAR。 生成双随机矩阵的简单算法（矩阵，其中每列和每行的总和正好是 1）。 算法： 1. 为每个 1<=i,j<=N 设置一个 NxN 矩阵 TM st TM[i,j] = 1/N。 2. 对于 X 次迭代： 3. 在 [1,...,N] 上绘制 i1, j1, i2, j2 UAR。 4. 在 (0, min {TM[i1, j1], TM[i2, j2]}) 上绘制 d UAR。 5. M[i1,j1] <= M[i1,j1] - d； 6. M[i2,j2] <= M[i2,j2] - d； 7. M[i1,j2] <= M[i1,j2] + d； 8. M[i2,j1

程序算法来自2009有关反问题的文章《A fast algorithm for the total variation model of image denoising》

SIFT-SURF-and-FAST-算法 本项目是对不同图像篡改检测算法的比较研究。 比较研究基于在不同标准（例如特征点的数量、特征描述符等）中获得的结果来评估算法的性能。 这些研究是了解算法行为及其对所得结果的影响的重要资源。 我们主要专注于算法 SIFT、SURF 和 FAST。

基于FFT加速插值的t-SNE（FIt-SNE） 介绍 t随机邻域嵌入（ ）是一种成功的用于降维和可视化高维数据集的方法。 t-SNE的一种流行是使用Barnes-Hut算法在每次梯度下降迭代时近似梯度。 我们加快了实现过程，如下所示： N体模拟的计算：我们不是使用Barnes-Hut逼近N体模拟，而是插值到等距网格上并使用FFT进行卷积，从而显着减少了每次梯度下降迭代时计算梯度的时间。 有关其工作原理的一些直观信息，请参见。 输入相似度的计算：我们不是使用优势点树来计算最近的邻居，而是使用库来近似最近的邻居。 邻居查找是多线程的，以利用具有多个内核的计算机。 与严格的``最近''邻居相比，使用``近''邻居更快，但也具有平滑效果，这对于嵌入某些数据集很有用（请参阅 ）。 如果需要细微的细节（例如，在识别小型集群中），请使用有利点树（在此实现中也是多线程的）。 查看我们的或以获取更

华容道 用于解决klotski游戏的快速JavaScript引擎。 安装 node.js 使用npm安装： $ npm install klotski 浏览器 使用凉亭： $ bower install klotski 如果您未使用任何模块加载器系统，则可以通过window.Klotski对象访问该API。 CDN 现在也始终可以在获得最新版本。 < script src =" https://unpkg.co/klotski/dist/klotski.min.js " > </ script > 用法 默认用法 var Klotski = require ( 'klotski' ) ; var klotski = new Klotski ( ) ; var game = { blocks : [ { "shape" : [ 2 , 2 ] , "position" : [ 0 , 1 ] } , { "shape" : [ 2 , 1 ] , "position" : [ 0 , 0 ] } , { "shape" : [ 2 , 1 ] ,