飞蛾扑火优化算法（Moth-Flame Optimization，MFO）是澳大利亚学者Seyedali Mirjalili于2015年提出的一种受自然生物启发的智能优化算法。代码里面包含了20几种基准测试函数，用来测试算法的性能。 该算法的主要灵感来自于飞蛾被称为“横定向”的导航方法。飞蛾在夜间飞行时相对于月亮保持一个固定的角度，这是一种非常有效的远距离直线飞行机制，但是在人造光周围，飞蛾却容易陷入致命的螺旋路径。作者就是模拟了飞蛾的这种特点。

随机森林 带有详细注释的1500行的RandomForests简单C ++实现。 无依赖性，支持回归和分类。 快速开始 从下载MNIST数据集，并在某些目录中解压缩Train＆test数据 git clone cd RandomForests并制作 运行以下命令： ./RandomForests mnist_train_image_file_path mnist_train_label_file_path mnist_test_image_file_path mnist_test_label_file_path 更多的 打开main.cpp文件，然后根据需要进行修改。 在RandomForest.h中，可以更改一些参数。 输入样本是一个矩阵，每一行都是一个样本。

随机森林 这是 Spark 上随机森林算法的分布式实现。 这与 mllib 中可用的相同算法的实现不同。 在 mllib 中，随机森林算法是通过明智地拆分数据实例来实现的。 此实现是通过明智地拆分数据特征。 这种实现对于具有许多特征的数据非常有用。 我也做了一些即兴创作，删除了一些在这种实现方法中可以避免的类。 一个重要的改进是：现在，randomForest 的用户不需要提供 categoricalFeatureInfo（关于哪些是连续特征，一个分类特征包含多少类别的信息）作为输入。它现在被转换为一个 Option 这个实现会自动检测哪些是连续特征连续特征以及当 categoricalFeatureInfo 在用户输入中被指定为 None 时，分类特征包含多少个类别。

福布斯学院分析 使用：美国顶级大学排名的基本分析（福布斯，2019） 我将使用由福布斯（Forbes）编译的开源数据集，该数据集分析美国650强大学的排名。 该数据集提供了多个数据点的广泛而准确的视图，这些视图清楚地显示了这些大学提供的教育质量。 该数据集中提供了位置，排名，使用的补助金，学生/校友人数和学费。 我的目标是使用这些排名来深入了解被分析类别的机​​构（针对每个假设）所提供的总体价值。 将保持对公共机构与私人机构的特别关注。 将检查数据点之间的多重相关性以做出这些观察。 参考值将与学生及其家人作为听众进行研究。 学生及其家庭是大学的“客户”，我想提供可供参考的类别的学校可以参考的见识，以吸引这些客户。 该数据旨在用于吸引将来的学生使用某一类别机构提供的价值。 此数据旨在进行分类，而不是特定于机构。 本·史蒂文斯

2020.6.23日更新： 下载链接我删除掉了，因为有更好用的了！ littera.zip windows mac 通用，我用的迅雷影音打开使用的，也可以自己下载别的swf播放器，功能强大很ok！推荐！比上面说的软件更好用！

讲述关于智能天线的原理，已经beamforming的关系。 最后介绍了智能天线的测试方法和效果

资源包含英文大小写，常用的中文字大约3700个，用于制作BMFont的字库！欢迎下载资源包含英文大小写，常用的中文字大约3700个，用于制作BMFont的字库！欢迎下载资源包含英文大小写，常用的中文字大约3700个，用于制作BMFont的字库！欢迎下载

该示例介绍了混合波束成形的基本概念，并说明了如何模拟这种系统。

相干性：基于相干函数的双麦克风降噪

C 语言版本的 波束形成，绍了三大类自适应算法，基于来波方向的波束形成，基于参考信号的波束形成和基于信号结构特性的盲自适应算法