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。

仿真matlab程序代码

目标微动特性和微多普勒特征分析在真假目标识别方面发挥了重要作用。由于微动目标雷达回波具有非线性、多分量性等特征,需要相应的具有高分辨力、低交叉项、大的动态范围的分析工具,才能较好地揭示目标微多普勒特征。稀疏分解方法中的匹配追踪(MP)具有频域高分辨能力,对于信号细微特征提取具有很好的效果。研究了基于匹配追踪的微多普勒频率估计问题,该方法可以准确提取出目标微多普勒频率,为后续的目标识别提供了重要的依据。

稀疏码多址接入（sparse code multiple access，SCMA）是第五代无线通信网络的一种竞争性的非正交多址技术。针对上行SCMA系统译码复杂度高的问题，提出一种基于节点剩余度的动态消息调度算法（residual MPA，RMPA）。在每一轮迭代更新中，动态选择具有最大剩余度的消息首先进行更新，不仅保证了最不可靠的消息首先更新，同时也加快了译码的收敛。仿真结果表明，所提出的算法性能优于基于串行策略的MPA，且能在译码性能和复杂度之间保持很好的平衡。

基于因果熵和复杂网络因果推理的稀疏系统识别方法[J]. 提供了带有说明性示例的 PDF。 有关引文和算法的详细信息，请参阅： •Abd AlRahman R. AlMomani，Jie Sun和Erik Bollt，“熵回归如何克服非线性系统识别中的离群值问题”，Chaos 30，013107（2020年）。

盲源分离 (BSS) 方法的目标是估计混合系统的物理源。 大多数 BSS 模型可以代数表示为将数据矩阵分解为因子矩阵的某种形式： X = 亚行' 没有一些先验知识或没有特定约束，就不可能唯一地估计原始源信号。 然而，通常 X 可以是非负的，并且 X 的相应隐藏分量可能只有在非负时才具有物理意义。 在实践中，非负矩阵分解（NNMF）和数据的稀疏成分分析（SCA）对于潜在的潜在成分进行物理解释可能是必要的。 在标准的 NNMF 中，我们只假设因子矩阵 A 和 B 的非负性，并且与 ICA 不同，我们不假设源是独立的。 为了估计因子矩阵 A 和 B，我们需要量化成本函数，即数据矩阵与 NNMF 模型之间的距离。 最简单的距离度量基于 Frobenius 范数。 这种成本的交替最小化导致交替最小二乘（ALS）算法：在此方法中，在对A进行初始随机初始化之后，迭代执行A固定为B的A和B固定为A的B的

使用EM算法完成对稀疏信号的恢复，对学习稀疏贝叶斯很有用处

这项工作代表了对现有 OMP 和 COSAMP 贪婪算法的修改，以便它们即使在指数和对数等非线性稀疏场景中也能有效恢复。