bemd的经验模态分解的整合注释版，用的是txt文件，转入matlab编译条件下便可以使用，详细参照上面的说明，希望有用！

在遥感数据处理研究中，高维高光谱数据的冗余信息和噪声严重影响高光谱数据的分类精度，针对此问题提出基于互信息波段选择和经验模态分解的高精度高光谱数据分类算法(MI-EMD-SVM)。分别采用基于互信息波段选择方法和经验模态分解实现对高光谱数据的冗余信息处理和特征提取，并获得处理后的高光谱数据X″。采用支持向量机分类算法对处理后的高光谱数据X″进行分类实验。仿真实验结果证实MI-EMD-SVM算法不仅提高高光谱数据分类精度，同时还减少支持向量数目，提高高光谱数据分类速度。

我们使用 QR 分解来获得矩阵的特征值。 该方法是迭代的并构建上三角矩阵。 特征值显示为该上三角矩阵的对角项。 发现这些值与 Matlab 内置函数给出的值一致：eig。 以下链接提供了使用 Mathematica 的类似程序： http://library.wolfram.com/infocenter/MathSource/6612/

LMD_局部均值分解的源代码以及验证程序

基于matlab的表情识别代码使用奇异值分解（SVD）在MATLAB中进行人脸重构 由J.Barhydt 1 华盛顿大学华盛顿州西雅图市98195 概述： 奇异值分解（SVD）是一种有用的计算工具，可用于减少超定系统的维数。 它具有各种各样的应用程序，从面部识别软件到科学数据的降噪再到量子信息，甚至被Netflix用来过滤和确定用户内容。 在本文中，该方法用于解构人脸数据库，从而允许低秩逼近来重建图像。 1-此报告使用扩展的Yale Faces B数据库： 简介与概述 ================================= 耶鲁的人脸数据库用于编辑许多人的脸部图像。 总体上有两个数据集：一组被裁剪以使面部对齐良好，而另一组则未被裁剪。 一旦执行了SVD，便会执行许多计算和分析。 首先，一系列奇异值用于确定构成“面部空间”的基础基础面部的权重，该“面部空间”代表所有面部的基础结构。 然后对重建脸部以及本征脸部自身的能力进行比较。 为了观察低秩逼近的演变，矩阵是逐块重构的。 最后，在裁剪后的图像和未裁剪的图像之间进行比较，并将各种面部映射到“面部空间”以进行重构。 理论背景\n=

vmd分解之后分解信号和原信号的对比图、频谱图等

LMD经验模态分解matlab程序，可以运行的

流场的本征正交分解与流场重构，包括读取数据，生成模态，模态系数，重构。代码清晰，每部分都有注释。

基于Bender’s分解的安全约束机组组合问题，汪晶，，本文根据直流潮流建立了安全约束的线性模型，采用Bender’s分解法将安全约束机组组合问题分解为无安全约束的机组组合问题和计及安�

高斯白噪声matlab代码基于自适应傅里叶分解的R峰检测，用于嘈杂的ECG信号 基于AFD的R峰检测的Matlab代码。 该方法在 Wang，Z.，Wong，CM，and Wan，F.（2017年7月）。 针对噪声ECG信号的基于自适应傅立叶分解的R峰检测。 在2017年第39届IEEE医学与生物学工程学会（EMBC）国际会议上（pp.3501-3504）。 IEEE。 R_detect_AFD_4_with_noise.m ：针对嘈杂的ECG信号，基于自适应傅里叶分解的R峰检测。 处理后的信号是MIT-BIH心律失常数据库中ECG信号与加性高斯白噪声的组合。 R_result_check.m ：检测结果。 AFD_filter_final.m ：基于AFD的过滤器。 AFD.m ：核心AFD ECG_100.mat和ECG_101.mat ：来自MIT-BIH心律失常数据库的真实ECG信号 注意事项： 由于噪声是由随机过程产生的，因此计算结果与会议论文中给出的结果之间可能会有细微的差异。 本文考虑了MIT-BIH心律失常数据库中的25条记录。 在此存储库中，仅提供了2个样本记录。 可