通过非局部正则化改善基于总变化的图像压缩感知恢复（ISCAS 2013） 抽象的 近年来，基于全变分（TV）的最小化算法由于保留了边缘，因此在自然图像的压缩感测（CS）恢复中取得了巨大的成功。 然而，使用电视不能恢复精细的细节和纹理，并且经常遭受不期望的楼梯假象的困扰。 为了减少这些影响，本文通过在CS优化问题中引入新的非局部正则约束条件，提出了一种改进的基于TV的图像CS恢复算法。 非局部正则化建立在众所周知的非局部均值（NLM）过滤的基础上，并利用图像中的自相似性，这有助于抑制阶梯效应并恢复精细细节。 此外，开发了一种有效的基于增强拉格朗日算法，以解决上述组合的电视和非局部正则化约束问题。 实验结果表明，与基于最新电视的算法相比，该算法在PSNR和视觉感知方面均实现了显着的性能提升。 引文 如果您发现我们的代码对您的研究或工作有所帮助，请引用我们的论文。 @inproceeding

使用弹性网络正则化执行逻辑回归的通用函数。 用法： call_generic_elasticnet_glm_predict() 此函数加载玩具数据并使用弹性网络正则化执行逻辑回归。 改编自： https://uk.mathworks.com/help/stats/lasso-and-elastic-net.html

基于稀疏表示和正则化的图像超分辨率matlab程序

y=ax+b常用的正则化方法，Tikhonov Regularization，TSVD，TV之前都是自己去看，后来发现国外大佬做了一个工具包，比较好用，想分享一下，顺便赚点积分

machinLearningProject 学习吴恩达视频，完成一个小project。使用梯度下降、正则化、神经网络进行房价的预测。使用python中的numpy、scipy、pandas以及matplotlib完成编程的实现。 （房价预测） 注：****** 房价预测的数据存放在名为：data.xlsx的文件中 BP神经网络代码存放在目录src_AI目录的BP.py文件中

一个简易的正则化参数求取matlab code，很好用，很方便。

DropBlock实现一种PyTorch中卷积网络的正则化方法

相关资源--系统可行性分析文档模板.doc

带有正则化和传感器阵列的BP神经网络，用于预测混合气体中的组分浓度

该算法是基于压缩感知（压缩传感）图像重建算法，将图像分块，应用正则化方法是现代，重建性能好，速度较快。