一种基于K-SVD和正交匹配追踪算法（OMP）相结合的信号去噪算法。该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典，然后基于训练完成的超完备字典，用OMP算法把一定数量的字典原子进行线性组合来构成原始信号，从而实现信号的去噪。

基于SVD分解和最近邻算法的高维人脸识别代码，是MATLAB系统上实现的代码，可直接运行，包含人脸数据库

SIRT,LSQR,SVD算法程序中，M，N分别系数矩阵A的行数和列数（对于不同的方程，需自己改动此参数），反演得X分别放在文件SIRT_X.TXT,LSQR_X.TXT,SVD_X.TXT中(由程序自动生成)。 另：运行svd程序时，找到svd.c，打开编译运行即可。 附带一个A*X=B的测试文件，其中a.txt是测试方程矩阵的系数矩阵，x.txt为已知解，b.txt为测试方程右边的常数项。分别用上面提供的三个反演算法程序，计算一下，将a.txt ，b.txt作为已知输入程序，算出解X，再与x.txt 中的已知真实解比较，即可看出哪种算法的精度高。

SVD奇异矩阵分解在推荐系统中的应用python源码，感谢原作者。 SVD的python实现，具体参考http://www.cnblogs.com/FengYan/archive/2012/05/06/2480664.html

Netflix Prize上的奇异矩阵分解算法，在数据稀疏的时候可以较好的实现算法稳定性。 http://gustavonarea.net/blog/posts/korens-svd-python-implementation/ 内含使用说明。

信号自适应稀疏表示方法K-SVD，优于短时傅里叶变换

压缩包中含有利用MATLAB实现SVD算法的程序代码

这是基于DWT-SVD的数字水印算法，具有强的鲁邦性，适用于毕业设计和研究。

压缩文件里有一个PDF文档，人脸数据，Python代码，介绍了LDA,PCA,SVD技术在人脸识别中的理论和Python实现

netflix-prize-svd