Golay6结构稀疏孔径成像恢复算法研究.doc

大数据-算法-鲁棒性稀疏表示深度图修复算法.pdf

安全技术-网络信息-面向极化SAR地物分类的稀疏深度网络.pdf

K-SVD是一种经典的字典训练算法，依据误差最小原则，对误差项进行SVD分解，选择使误差最小的分解项作为更新的字典原子和对应的原子系数，经过不断的迭代从而得到优化的解。

关于代码 这是“ Zhao，C.，Zhang，J.，Ma，S.，Fan，X.，Zhang，Y.，＆Gao，W.（2017）。”的matlab实现。表示和量化约束优先。IEEE视频技术电路和系统交易，第27（10），2057-2071页。” 用法 只需运行文件Demo_SSRQC_Deblocking.m 。 引用这项工作 如果使用此代码，请引用以下论文。 @article{zhao2017reducing, title={Reducing image compression artifacts by structural sparse representation and quantization constraint prior}, author={Zhao, Chen and Zhang, Jian and Ma, Siwei and Fan, Xiaopeng and

吉布斯采样matlab代码BSFG 丹尼尔·朗西（Sarah Mukhergee）和丹尼尔·朗西 参考：Runcie，D.和Mukherjee，S.（2013）。 用遗传协方差矩阵的贝叶斯稀疏因子分析剖析高维表型。 遗传学，194（3），753–767。 该软件包是免费软件，您可以根据GNU通用公共许可证（GPL-3）的条款重新分发和/或修改它。 GNU通用公共许可证不允许在专有程序中重新分发此软件。 分发该库是希望它会有用，但没有任何担保； 甚至没有对适销性或特定用途适用性的暗示保证。 版本历史 V1.0 在以下网站上发布了MATLAB版本： 包括Ayroles_et_al_Competitive_fitness，半同胞设计的模拟 应该能够从纸上复制所有分析（直到Gibbs和模拟中的蒙特卡洛误差） V1.1 固定计算遗传和相互作用的特效。 论文的计算结果和相应的文本缺少$ A ^ {-1} $。 这应该不会对本文介绍的分析结果产生太大影响，但需要进行检查。 它不会影响Ayroles分析。 V2.0 几乎完全重写了模型代码，但是应该保持相同的功能（我相信） 变量已被重命名以更接近于论文

大数据-算法-高维稀疏成对比较数据中的BradleyTerry模型.pdf

针对大部分FPGA端上的卷积神经网络（CNN,convolutional neural network）加速器设计未能有效利用稀疏性的问题，从带宽和能量消耗方面考虑，提出了基于线性脉动阵列的2种改进的CNN计算优化方案。首先，卷积转化为矩阵相乘形式以利用稀疏性；其次，为解决传统的并行矩阵乘法器存在较大I/O需求的问题，采用线性脉动阵列改进设计；最后，对比分析了传统的并行矩阵乘法器和2种改进的线性脉动阵列用于CNN加速的利弊。理论证明及分析表明，与并行矩阵乘法器相比，2种改进的线性脉动阵列都充分利用了稀疏性，具有能量消耗少、I/O带宽占用少的优势。

SpiecEasi 生态联系的稀疏逆协方差估计和统计推断 该软件包对于希望为各种组成数据推断图形模型的人很有用，尽管它主要用于微生物组相对丰度数据（由16S扩增子序列数据生成）。 它还包括一个用于[过度分散，零膨胀]多元相关计数数据的生成器。 请参阅发表的论文。 关于符号的一个小问题：我们将该方法称为“ SPIEC-EASI”，并为此包保留了“ SpiecEasi”。 目录 安装 开发工具 我假设所有辅助软件包都已安装-例如pulsar，large，MASS等。如果遇到意外错误，则可能需要下载并安装缺少的依赖项。 在交互式R会话中： library(devtools) install_github("zdk123/SpiecEasi") library(SpiecEasi) conda SpiecEasi也可以通过conda来源获得，并且应该始终与该存储库的主分支保持最新。 co

为提高短孔径逆合成孔径雷达的成像分辨率,利用逆合成孔径雷达图像的稀疏统计特性,提出了一种超分辨成像算法.通过结合逆合成孔径雷达像的强稀疏性,对成像过程建立近似的统计概率分布模型.利用最大后验概率及贝叶斯估计方法,推导了稀疏控制参数的显式表达,并通过共轭梯度法优化求解图像.另外,联合恒虚警概率检测和带宽外推技术的步进式成像过程,提高了参数估计和超分辨成像算法的稳健性.