MP算法的改进 一种新的稀疏分解的方法 比MP算法更高效

导向矢量失配情况下基于稀疏表示的波达方向估计算法

算法图像恢复代码matlab

稀疏表示用于轮廓与边缘提取。xiaofeng_ren的论文中的代码

基于稀疏表示的可见光遥感图像飞机检测算法

把对称稀疏矩阵压缩后存储，然后采用压缩矩阵求解方程组，优化了存储空间。

网址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Sparse_Autoencoder斯坦福深度学习的教程，这个是稀疏编码的的练习，可以直接运行

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

介绍了一种在压缩感知框架内的简单测量矩阵构造算法（MMCA）。 在压缩感测中，测量矩阵和稀疏字典（基本）之间的较小相干性可以具有更好的信号重建性能。 随机测量矩阵（例如，高斯矩阵）已被广泛使用，因为它们与几乎所有稀疏基数都具有较小的相干性。 但是，通过降低与固定稀疏基的相干性来优化测量矩阵将大大提高CS的性能，这一结论已被许多先前的研究人员很好地证明。 基于以上分析，我们通过迭代采用收缩和奇异值分解（SVD）技术来实现此目的。 最后，优化矩阵和稀疏字典的列之间的相干性可以大大降低，甚至接近韦氏边界。 此外，我们建立了一些实验来测试所提出算法的性能，并与现有技术进行比较。 我们得出的结论是，使用所提出的测量矩阵构建方法，贪婪算法（例如正交匹配追踪）的恢复性能优于传统的随机矩阵算法，Elad算法，Vahid算法和Xu引入的优化矩阵算法。

（1）输入并建立多项式； （2）输出多项式，输出形式为整数序列：n,c1,e1, c2,e2,,,,,,, cn,en,其中n是多项式的项数，ci,ei,分别是第i项的系数和指数，序列按指数降序排序； （3）多项式a和b相加，建立多项式a+b； （4）多项式a和b相减，建立多项式a-b； （5）计算多项式在x处的值。 （6）计算器的仿真界面。