1）实现图的邻接矩阵和邻接表存储结构； 2）完成基于邻接矩阵的深度优先搜索遍历及广度优先搜索遍历； 3）实现从键盘输入任意一对顶点，求出顶点间的最短路径。

crp matlab代码CRP_Repro 用于协作表示投影的 Matlab 代码

头歌平台上的计算机数据表示实验date数据包（华中科技大学），一键到底成功，直接复制即可

华中科技大学计算机组成原理实验计算机数据表示，第五关海明编码，第六关海明解码。因为是初入手，忘了把这两关和前面的放在一起。

超分辨率与稀疏表示，挺好的，谢谢参考，有关图像修复的算法，有点难

NRL实施 重新实现四种网络表示学习（NRL）算法：DeepWalk，LINE，node2vec，GraphGAN。 环境 NumPy TensorFlow Gensim 网络X 数据 路径./data/中有两个数据集： ：引文数据集。 ：以下网络。 训练 首先，找到项目的根路径： cd NRL-implement 对于DeepWalk： python DeepWalk/main.py 对于LINE： python LINE/main.py 对于node2vec： python node2vec/main.py 这三个实现使用cora作为数据集，结果保存在./results/cora/中。 使用逻辑回归作为分类器，以评估这三种实现产生的嵌入质量。 python LRclassifier.py --method DeepWalk DeepWalk可以用LIN

华中科技大学 头歌实践项目 运算器设计(HUST) 本实训项目帮助学生从可控加减法单元，先行进位电路，四位快速加法器逐步构建 16 位、32 位快速加法器。学生还可以设计阵列乘法器，乘法流水线，实现原码一位乘法器，补码一位乘法器、运算器等教材上的核心内容。

计算机数据表示实验.zip

主要是稀疏表示

计算机视觉-稀疏表示MATLAB源码 稀疏表示（Sparse Representation）也叫作稀疏编码（Sparse Coding）,就是用字典中元素的线性组合去表示测试样本。 信号的稀疏表示并不是新的东西。很早就一直有在利用这一特性。例如，最简单的JPEG图像压缩算法。原始的图像信号经过DCT变换之后，只有极少数元素是非零的，而大部分元素都等于零或者说接近于零。这就是信号的稀疏性。 任何模型都有建模的假设条件。压缩感知，正是利用的信号的稀疏性这个假设。对于我们处理的信号，时域上本身就具有稀疏性的信号是很少的。但是，我们总能找到某种变换，使得在某个变换域之后信号具有稀疏性。这种变换是很多的，最常见的就是DCT变换，小波变换，gabor变换等。 然而，这种正交变换是传统视频图像处理采用的方法。目前所采用的一般不是正交变换。它是基于样本采样的。或者说是通过大量图像数据学习得到的，其结果称作字典，字典中的每一个元素称作原子。相关的学习算法称作字典学习。常见的算法例如K-SVD算法。学习的目标函数是找到所有样本在这些原子的线性组合表示下是稀疏的，即同时估计字典和稀疏表示的系数这两个