针对雨雪天气条件下的运动目标检测受到天气的影响较大,提出一种融合全变分(TV)正则化和Rank-1约束鲁棒主成分分析(RPCA)模型的视频序列运动目标检测算法。利用RPCA这一工具,在低秩稀疏分解框架下,采用Rank-1约束描述背景层的强低秩性,利用TV正则化结合L1范数对前景目标的稀疏性和空间连续性进行约束,从而弥补现有RPCA模型的不足。针对所提模型,采用交替迭代乘子法的思想结合增广拉格朗日乘子法对目标函数进行优化求解。实验结果表明,所提算法不仅能够准确检测出运动目标,而且具有较短的运行时间,这为视频的实时检测提供参考。与其他同类算法相比,所提算法不仅检测效果更佳,而且在F测度值、召回率和准确率的定量评价中均有优越性。

在本文中，我们提出了一种用于全锐化的新的空间-黑森州特征引导变分模型，该模型旨在从低分辨率的MS图像和具有高空间分辨率和光谱分辨率的全锐化多光谱（MS）图像中获得高分辨率全色（PAN）图像。 首先，我们假设低分辨率MS图像对应于高分辨率全锐化MS图像的模糊和降采样版本。 由于全脸锐化的MS图像和PAN图像是同一场景的两个图像，因此全脸锐化的MS图像与PAN图像具有相似的几何对应关系。 为此，通过兴趣点检测将PAN图像和泛锐化的MS图像之间的几何对应关系学习为空间位置一致性。 其次，提出了一种新的基于图像空间Hessian特征的矢量Hessian Frobenius范数项，以约束PAN图像与泛锐化MS图像之间的特殊对应关系，以及泛锐化MS图像不同波段之间的内相关。 。 基于这些假设，提出了一种用于泛锐化的新型变分模型。 因此，在算子拆分框架下设计了一种针对所提出模型的有效算法。 最后，在模拟数据和真实数据上的结果都证明了该方法在产生具有高频谱质量和高空间质量的泛锐化结果中的有效性。

北京邮电大学《复变函数》多套历年习题（含答案）

老大中编著的《变分法基础(第3版)》是变分法方面的专著，书中系统地介绍变分法的基本理论及其应用。 编写本书的目的是希望为高等院校的研究生和高年级大学生提供一本学习变分法课程的教材或教学参考书，使他们能够熟悉变分法的基本概念和计算方法。本书内容包括预备知识、固定边界的变分问题、可动边界的变分问题、泛函极值的充分条件、条件极值的变分问题、参数形式的变分问题、变分原理、变分问题的直接方法、力学中的变分原理及其应用以及含向量、张量和哈密顿算子的泛函变分问题。其中许多内容是作者多年来的研究成果，特别是提出完全泛函的极值函数定理，统一了变分法中的各种欧拉方程，创立含向量、向量的模、任意阶张量和哈密顿算子的泛函的变分理论，给出相应的欧拉方程组及自然边界条件，扩大了变分法的应用范围。本书也可供有关专业的教师和科技人员参考。 本书概念清楚，逻辑清晰，内容丰富，深入浅出，便于自学，既注重方法的介绍，又不失数学的系统性、科学性和严谨性。书中列有大量例题和习题，并附有中英文索引。为了帮助读者解决学习中遇到的困难，本书给出了各章共315道习题的全部解答过程及答案，供读者参考。

文中分别采用经验模态分解（EMD），变分模态分解（VMD）两种预处理方法，使单通道观测信号由欠定信号转为正定或超定从而解决其“非欠定”限制，并对此两种预处理方法进行仿真实验对比验证，研究表明，不同的预处理方法会影响信号盲分离的结果，寻找一种高效、快速的预处理方法是解决欠定盲信号分离的关键，且仿真实验结果表明，VMD预处理方法更具优越性。

多Kong介质流动问题自然对流的变分多尺度无元素Galerkin方法

基于导数交替方向优化方法的快速全变分图像复原

基于变分分解和独立成分分析的原油价格分析与预测

本文件是变分模态分解（Variational Mode Decomposition，VMD）的VMD_test文件

随着万维网和在线社交网站的发展,规模大、结构复杂、动态性强的大规模网络应用而生.发现这些网络的潜在结构,是分析和理解网络数据的基本途径.概率模型以其灵活的建模和解释能力、坚实的理论框架成为各领域研究网络结构发现任务的有效工具,但该类方法存在计算瓶颈.近几年出现了一些基于概率模型的大规模网络结构发现方法,主要从网络表示、结构假设、参数求解这3 个方面解决计算问题.按照模型参数求解策略将已有方法归为两类:随机变分推理(stochastic variational inference)方法和在线EM(online expectation maximazation)方法,详细分析各方法的设计动机、原理和优缺点.定性和定量地对比、分析典型方法的特点和性能,并提出大规模网络结构发现模型的设计原则.最后,概括该领域研究的核心问题,展望未来发展趋势.