盲解卷积是指在不确切了解卷积中使用的脉冲响应函数的情况下对信号进行解卷积。 这通常是通过对输入和/或脉冲响应添加适当的假设来恢复输出来实现的。 我们在这里考虑输入信号的稀疏性或简约性。 它通常用 l0 成本函数来衡量，通常用 l1 范数惩罚来解决。 l1/l2 比率正则化函数在最近的一些工作中显示出检索稀疏信号的良好性能。 事实上，它受益于盲语境中非常理想的尺度不变性。 然而，l1/l2 函数在解决由于在当前恢复方法中使用这种惩罚项而导致的非凸和非光滑最小化问题时会带来一些困难。 在本文中，我们提出了一种基于对 l1/l2 函数的平滑逼近的新惩罚。 此外，我们开发了一种基于近端的算法来解决涉及该函数的变分问题，并推导出理论收敛结果。 我们通过与最近处理精确 l1/l2 项的交替优化策略进行比较，在地震数据盲解卷积的应用中证明了我们的方法的有效性。 SOOT 工具箱（Smooth One-O

粒子群算法PSO优化LSSVM最小二乘支持向量机惩罚参数c和核函数参数g，用于回归预测，有例子，易上手，简单粗暴，直接替换数据即可。 仅适应于windows系统。 质量保证，完美运行。 本人在读博士研究生，已发表多篇sci，非网络上的学习代码，不存在可比性。

灰狼优化算法GWO优化SVM支持向量机惩罚参数c和核函数参数g，有例子，易上手，简单粗暴，替换数据即可，分类问题。 仅适应于windows系统

本文研究了约束优化问题的一种新的扩充拉格朗日罚函数。 证明了增广的拉格朗日目标惩罚函数对约束优化问题的双重性质。 在某些条件下，扩展的拉格朗日目标惩罚函数的鞍点满足一阶Karush-Kuhn-Tucker（KKT）条件。 特别是，当KKT条件满足凸编程时，其鞍点存在。 基于增强的拉格朗日客观罚函数，开发了一种求解不等式约束优化问题的全局解的算法，并在一定条件下证明了其全局收敛性。

在Wang等给出的组合惩罚函数的基础之上，将SCAD惩罚部分推广到一般的非凸惩罚的形式，利用岭回归在解释变量相关度较高情形下的良好表现，提出一种推广了的组合惩罚．在参数个数发散的情形之下，利用贝叶斯信息准则(BIC)来选择调整参数，能同时完成变量选择和参数估计．而且还可以证明在合适的条件之下，这种估计具有Oracle性质．模拟研究的结果证明了所提出的方法在预测变量具有强相关性之下的优势．

ESG工作组 03章三法与程序 01-SelectedDataset / 01-AudioFeatures 01-SelectedDataset / 02-AudioPreprocessing 01-audio-raw.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/02-AudioPreprocessing/01-audio-raw.wav 01-audio-raw-approximated.wav： ： 02-audio-trimmed.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/

MATLAB的梯度法，内点法，外点法，罚函数，惩罚函数，线性梯度法，源程序，按照提示输入，可直接运行

折叠凹惩罚法来完成张量

此提交可用于评估优化技术在连续变量问题上的性能。 为使生产计划中的利润最大化而出现此优化问题。 然而，这些文件可以用作黑盒优化问题。 该套件中有八个最小化优化问题（case1.p、case2.p、case3.p、case4.p、case5.p、case6.p、case7.p 和 cas8.p）。 所有案例（案例 1 到案例 8）都具有 108 个连续变量的问题维度。 他们每个人都遵循硬惩罚方法，并具有以下格式 [F] = case1（X）; 输入：总体（或解，用 X 表示）及其输出：总体成员的目标函数值 (F)。 文件 ProblemDetails.p 可用于确定每个案例的下限和上限以及函数句柄。 格式为 [lb,ub,fobj] = ProblemDetails(n); 输入：n 是 1 到 8 的整数。 输出：(i) 下限 (lb)， (ii) 上限 (ub)，以及（iii

MATLAB的梯度法，内点法，外点法，罚函数，惩罚函数，线性梯度法，源程序，按照提示输入，可直接运行