传统的基于稀疏表示的目标跟踪方法主要利用目标的灰度特征构建稀疏表示模型。由于灰度特征对光照变化敏感，这会影响目标跟踪在复杂场景下的鲁棒性。基于多源数据融合的目标跟踪可以明显提升目标跟踪鲁棒性，但如何有效融合不同维度，不同类型的多源目标特征成为基于多源数据融合的目标跟踪所要解决的关键问题。提出了一个基于目标状态以及灰度特征的稀疏表示目标跟踪方法。所提出的方法可通过基于核函数表示的稀疏表示模型，在探究目标状态以及灰度特征相关性的基础上，将两种不同维度的特征进行有效融合，提升目标跟踪在复杂场景下的鲁棒性。

3．稀疏矩阵的运算规则 在MATLAB中的各种命令和函数都可以用于稀疏矩阵的运算，并且遵循如下的一些约定。 （1）把矩阵变为标量或者定长向量的函数总 是给出满矩阵； （2）对于标量或者定长向量变换到矩阵的函 数，如函数zeros()、ones()、 eye()、rand()等总是给出满矩阵；

提出了一种基于数据驱动的稀疏虚假数据注入攻击策略。攻击策略分为3个阶段：第一阶段，基于稀疏优化技术对窃听的数据进行预处理以剔除异常值；第二阶段，基于平行因子分解算法推断不完整的系统信息矩阵；第三阶段，根据推断的系统矩阵，使用凸优化的方法求解稀疏攻击向量。仿真实验结果表明，当存在异常值时，传统的攻击策略无法成功实施，而所提攻击策略仍能成功地实施稀疏虚假数据注入攻击。

提出了一种基于压缩感知理论的正交频分复用( OFDM)系统稀疏信道估计的新方法,并具体采用正交匹 配追踪( OMP)压缩感知算法对 OFDM时域信道脉冲响应进行估计。与传统的最小二乘算法比较,它可以在使用较 少导频的条件下获得很好的信道估计性能,从而可以提高系统频谱有效性。根据仿真和压缩感知理论分析确定了 OMP信道估计中最佳导频数和最佳导频位置。

参考： SF Cotter和BD Rao，“通过匹配追踪和均衡应用的稀疏信道估计”，在IEEE Transactions on Communications，第1卷。 50，不。 3，第374-377页，2002年3月。

通过区分性稀疏编码从单个图像中去除雨水

网络技术-综合布线-稀疏互联联想记忆及其复杂网.pdf

针对阵列天线在相控阵雷达、卫星通信以及MIMO雷达系统等实际应用中重量、尺寸和成本受限的问题，提出了一种基于迭代加权[L1]范数的稀疏阵列综合方法。通过对稀疏阵列综合理论的分析，提出使用加权[L1]范数代替[L0]范数，避免了NP问题的求解；通过复数求导结合启发式近似方法对阵列激励进行优化选择，即可得到一个其辐射波形逼近给定的期望值的稀疏阵列。仿真结果表明，与现有的稀疏阵列综合方法相比，该方法可以在满足辐射特性的前提下得到阵元数目更少同时孔径更短的阵列。

CNO-SBL 论文题为“基于协作神经动力学优化的稀疏贝叶斯学习”的源代码

该代码使用联合稀疏表示模型来提高超声成像的轴向分辨率。 所提出的模型将沿轴向的稀疏反卷积与沿横向的稀疏偏好约束相结合。 有关详细信息，请参阅 J. Duan 等人，“使用联合稀疏表示模型提高超声成像的轴向分辨率”。