一个好的任务分解工具，简单实用, WBS CHART 英文版的

每个代码都可以运行哦 运行环境我的是VC6.0 数值分析C++源码-二分法,迭代法,牛顿法,高斯消元法,高斯先列主元消元法,高斯全主元消元法,标度化列住院消元法,直接三角分解法,道立特分解法,改进的平方根法,平方根法,雅克比法,高斯赛德尔迭代法,牛顿插值法,拉格朗日插值法,最小二乘法,牛顿插值

PQ分解法电力系统潮流计算，本程序采用c#语言编写。由于只是学习算法，故采用的是控制台应用程序。本程序是从”哈尔滨工业大学电力科学与新技术研究所“ c++版本的PQ分解法程序（请google搜索下手在）直接翻过来的，只做了少量修改。数据格式请参考C++版的程序。c#版由eaide在CSDN首发，转载请注明出处！

高光谱分解 卷积神经网络的高光谱图像分解（无分叉，半成品） 说明 先决条件 Python 3.8 TensorFlow 2.3.0 建议使用conda创建虚拟环境并使用以下命令安装依赖项： pip install -r requirements.txt 用法 在设置参数后，在终端中输入以下命令： python run.py 更多细节： 使用python run.py -h获取更多参数设置详细信息。 数据集 我们提供了两个处理后的数据集：数据集中的Jasper Ridge（jasper），Urban（urban）/ data.npy：高光谱数据文件。 data_gt.npy：基本事实文件。 data_m.npy：端成员文件。 更新：2021年2月10日

进行Lu分解，可以很好的求解方程，尤其对于矩阵维数很大时，可以避免一般的求逆带来的误差。

电力负荷预测是电力系统规划的重要组成部分。为了使电力系统安全经济平稳的运行，由此特别需要精确的电力负荷预测方法。为了实现更好负荷预测方法，文中将经验模态分解（EMD）与新兴的电力负荷预测模型分形理论相结合，提出了EMD-分形负荷预测模型。为了证明此方法的有效性，文中将这种新的预测模型跟分形预测模型和BP神经网络预测模型相比较。最终通过仿真算例说明了本文提出的这种新型预测方法精度更高，几乎所有的误差都在2％以下，预测结果更好，可以很好的应用在电力系统负荷预测中。

在多输入多输出-正交频分复用(MIMO-OFDM)系统中,通过联合估计信道矩阵和干扰协方差矩阵(ICM)的方法来抑制同信道干扰.首先,利用最小二乘法和残差估计方法获取信道矩阵和ICM的初始估计值;然后,基于Cholesky分解方法对ICM的估计值进行改善,并利用改善后的ICM估计值对信道矩阵估计值进行更新.该方法充分利用了时域和频域中的所有可用信息,提高了信道估计精度,较好地抑制了同信道干扰.仿真结果表明:与其他可实现的非迭代方法相比,该方法所得的信道频率响应估计均方误差性能增益高于2 d B;信干噪比(SINR)越大,比特误码率性能的改善程度越好,并且随着天线数的增多,性能增益也增大.

完全抗混叠的离散小波分解算法及其在故障特征提取中的应用，王林，汤宝平，针对改进后的单子带重构算法仍然存在频率混叠的问题，提出了一种插入纠正滤波器的完全抗混叠小波单子带重构算法。因为小波重构滤

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。

1.摘要本次阅读的论文为 Deep Autoencoder-like Nonnegative Matrix Factorization forCommunity