优化算法（SAGA、SAG、RMSProp、Nesterov Accelerated Gradient、随机和小型批处理梯度）

各种梯度下降算法的代码

为提高雾天图像增强的对比度并保持颜色恒常性，提出了基于全变分 Retinex 及梯度域的雾天图像增强算法。首先，采用高斯—赛德尔 GS（Gauss-Seidel）迭代算法对基于 Retinex 的全变分能量泛函数进行求解，从而有效地保持颜色恒常性；其次，采用相对梯度与绝对梯度相结合的方式拉伸雾天图像较亮处的梯度， 在全变分Retinex理论下重建增强后的雾天图像，并将该增强算法应用到彩色图像；最后，加权融合基于全变分Retinex增强算法与梯度域增强算法的增强结果，使得增强结果既能提高对比度又能保持色彩恒常性。实验结果表明，本算法提高了雾天图像增强后的对比度和清晰度，具有颜色恒常性、颜色保真高等特性。

压缩感知 matlab实现 % 压缩传感的非线性共轭梯度方法实现（该程序可应用到核磁共振成像） % 采用全变分技术和快速傅立叶变换技术 % 随机测量方式为傅立叶域的采样

基于策略梯度的深度强化学习的机器人模型学习行走仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

用卷积滤波器matlab代码Matlab卷积自动编码器 卷积自动编码器的成本函数（cautoCost2.m）和成本梯度函数（dcautoCost2.m）。 网络体系结构相当有限，但是这些功能对于将输入与一组过滤器进行卷积然后重构的无监督学习应用程序应该是有用的。 这对于发现数据的平移不变特征也很有用。 输入被输入到卷积层，该卷积层是应用于所有用户定义的数据子集的一组过滤器。 卷积层的输入输出功能是S形的。 重建层（或输出层）是线性的。 夹在卷积和重建层之间的可选附加隐藏层是S形。 可以在文件cautoCost2.m的注释中找到更多信息。 注意：此代码在一些地方使用了parfor，这是并行的for循环。 这需要并行化工具箱。 如果没有并行化工具箱，请将parfor循环替换为for循环。

介绍了基于永磁同步电动机的弱磁控制调速系统,阐述了永磁同步电动机弱磁扩速的基本原理,常用方法及其优缺点。利用电压极限椭圆梯度下降法进行弱磁控制,对电流参考值进行了修正,并对修正电流参考值时的比例系数α、β进行了仿真分析。仿真结果表明,α、β取值可影响弱磁区域的动态性能,α的取值小于β的时候,动态性能较好。

感知清晰度指数 (PSI) 基于局部边缘梯度分析的感知图像清晰度度量 感知锐度指数 (PSI) 的 MATLAB 实现 PSI.m - 计算感知清晰度指数 (PSI)。 PSI_demo.m - 演示单个图像的计算。 请注意，算法的性能可能会随所使用的 MATLAB 版本而略有变化（由于 MATLAB 的边缘函数）。 如果您使用此代码，请引用以下。 #!bibtex @article{feichtenhofer2013perceptual, title={A perceptual image sharpness metric based on local edge gradient analysis}, author={Feichtenhofer, Christoph and Fassold, Hannes and Schallauer, Peter}, journ

BP神经网络函数化表示 BP神经网络梯度\求导函数

matlab灰色处理代码基于深度学习的投影梯度下降用于图像重建 该项目包括一个框架，以： 在Pytorch中训练神经网络（Unet）作为图像到图像投影仪，将其导出为.pth和.onnx格式 在[1]中应用松弛投影梯度下降（RPGD）进行图像重建。 对于这一部分，在Python和Matlab中都提供了代码。 在Matlab中，由于有许多库，测量操作员可能更容易获得。 %%% 入门 先决条件 Python 3.7 Pytorch 1.1.0 Scipy 1.2.1 Matplotlib 3.0.3 对于Matlab代码： Matlab R2019a深度学习工具箱 正在安装 下载文件夹代码和数据 运行测试 此处提供的干净数据（位于train_target和test_target文件夹中）包含200个训练图像，20个测试图像，每个图像都有1个通道，灰度像素为320x320。 每个图像都是从Matlab幻象函数生成的，参数是从修改后的Shepp-Logan头部幻像获得的参数E，然后通过使E = E + 0.01 * randn（10,6）来添加一些变化。 测量算子H是5x5卷积，权重= 1/25