该函数对金融时间序列的相关矩阵进行特征分解，过滤掉市场模式分量和噪声分量，只留下相关矩阵中与原始时间序列集合中的细观结构相对应的分量。 该函数旨在与社区检测算法（例如 Louvain 方法）结合使用，以允许在基于时间序列的网络上进行社区检测

33 基于随机矩阵理论和最小描述长度的机载前视阵雷达杂波自由度估计

基于随机矩阵理论的双基地MIMO雷达盲多目标检测

针对传统频谱感知检测概率较低的不足，提出了一种基于随机矩阵特征值比的机会协作频谱感知算法。该算法在随机检测理论基础上，利用双门限，加入机会协作机制，对传统最大最小特征值（MME）算法进行改进，并保留了传统能量检测算法的低复杂度优势。在已知虚警概率前提下，推导了判决门限，并在接收中依靠奇偶时隙划分，有效实现了机会协作。仿真结果表明，在低信噪比和低虚警概率的情况下，所提频谱感知算法，相对MME算法有更高的检测概率，适合在恶劣传输信道的无线通信中应用。

针对目前的频谱资源使用效率低的问题，提出了一种新的基于特征值的频谱感知融合算法，从而更好地实现动态频谱共享。所提算法利用样本协方差矩阵的最大特征值、迹和所有特征值的几何均值构造了检测统计量。通过随机矩阵理论分析了所提算法的检测概率及虚警概率，并得到了理论门限的解析表示。此外，从理论上分析了所提算法中参数的选择问题。仿真实验表明，所提算法比已有的特征值检测算法具有更好的检测性能。

RMT_Theory_Applications 随机矩阵理论的一些重要性质及其在多个领域中的应用

matlab频谱分析代码RMT4ML 该存储库包含和代码，用于可视化随机矩阵理论的结果及其在机器学习中的应用。 在每个子文件夹中（以相应的部分命名）： 包含或演示的.html文件 .m或.ipynb源文件 第一章绪论 第2章随机矩阵理论的基础 第2.1节基本对象 2.2节基础随机矩阵结果 第2.2.1节关键引理和身份：和 2.2.2节Marcenko-Pastur和半圆法则： 2.2.3节大样本协方差矩阵和广义半圆：和 第2.3节样本协方差的高级频谱注意事项：和 第2.3.1节限制频谱 第2.3.2节“支持之外没有特征值” 第2.4节关于统计推断的初步 2.4.1线性特征值统计：和 2.4.2节本征向量投影和子空间方法：和 第2.5节尖刺模型：和 2.5.1隔离特征值 2.5.2节独立特征向量 第2.5.3节限制波动 第2.5.4节进一步的讨论和其他尖峰模型 第2.6节信息加噪声，变形的威格纳和其他模型 第2.7节独立条目的向量之外：RMT中的度量集中 第2.8节总结 第2.9节练习 第3章线性模型中的统计推断 第3.1节信息加噪声模型中的检测和估计 3.1.1 GLRT的渐近性和 第

Portfolio_optimization 实施随机矩阵理论和Markowitz理论进行投资组合优化

RMT流感 概括 基于随机矩阵理论的流感病毒HA蛋白中协同配位残基的鉴定 参考 客观的 我们的目标是实施上述参考文献中有关流感-HA蛋白序列的方法。 数据 此存储库中的数据文件夹包含我们用来测试此脚本的数据集。

随机矩阵理论在无线通信中的应用