数据拟合，最小二乘，正交最小二乘，卡尔曼拟合加权最小方差拟合全部可以运行

针对传统K-means算法易受初始聚类中心和异常数据的影响等缺陷，利用萤火虫优化算法全局搜索能力强、收敛速度快的优势，对K-means算法的初始聚类中心进行优化，并通过引用一种加权的欧氏距离，减少异常数据等不确定因素带来的不良影响，提出了一种基于萤火虫优化的加权K-means算法。该算法在提升聚类性能的同时，有效增强了算法的收敛速度。在实验阶段，通过UCI数据集中的几组数据对该算法进行了聚类实验及有效性测试，实验结果充分表明了该算法的有效性及优越性。

针对基于L1 范数约束的压缩感知理论的恢复算法出现虚假目标,恶化DOA估计性能的问题,提出了一种基于加权L1 范数的CS-DOA估计算法.该算法利用噪声子空间与信号子空间的正交性,构造了一个加权矩阵,然后对L1 范数约束模型进行加权.通过此加权处理,该算法能够使恢复的系数向量具有更好的稀疏性,并能有效地抑制伪峰,从而获得更精确的DOA估计.仿真结果验证了算法的有效性.

相位解缠是干涉合成孔径雷达（InSAR）成像的关键步骤之一。首先采用正余弦均值滤波法去除InSAR图像噪声，然后提出一种改进的最小二乘法，即四向加权最小二乘法，应用该算法进行相位解缠实验。实验结果表明，正余弦均值滤波法不仅对去除噪声非常有效，而且很好的保持了图像边缘信息；四向加权最小二乘法比现有的两向最小二乘法相位解缠更接近真实解缠相位。

包含的函数“ciclefit”估计由数据点表示的圆的半径和中心。 这是使用 Coopes 方法的修改版本（Coope, ID,Circle Fitting by Linear and Nonlinear Least Squares, 1993. http://link.springer.com/article/10.1007/BF00939613 ）实现的，它产生了与 Total 相当的稳健结果最小二乘法仅使用（可直接求解的）线性最小二乘法。 它已被修改为对数据点使用权重（因此使用加权线性最小二乘法）。 添加该修改是为了能够快速且稳健地估计给定路径的（因果）曲率。 包括一个快速演示 (circfit_DEMO.m)，它展示了一般的圆拟合以及如何使用它来估计曲率。

像 gplot 一样绘制图形。 但允许用户输入具有加权边和/或加权顶点的邻接矩阵。 边缘权重映射到颜色图。 顶点权重与顶点大小成正比。 使用参数-值对，用户甚至可以指定顶点缩放因子、边缘宽度和用于显示与顶点关联的其他元数据的颜色图。 （作为示例包含的几个图来自 David Gleich 的 matlabBGL 包。）

papr matlab代码限幅与加权 OFDM 用于降低 PAPR 的限幅与加权 OFDM 在此 matlab 代码中，我们比较了加权 OFDM 算法与削波算法的效率，以通过模拟降低峰值幅度功率比 (PAPR)

通过加权平均值计算房地产价格的软件，是市场比较法常用的定价的工具，让定价方便、快捷、准确。

计算一般无向图中的最大加权匹配。 可以选择只考虑最大基数匹配。 最初由 Joris van Rantwijk 用 Python 编写： http://jorisvr.nl/maximummatching.html 移植到 MATLAB，经许可（但未优化，例如模块化），Daniel R. Saunders，2013 年。BSD 许可。 http://danielrsaunders.com 。 原始标题如下： 该算法取自 Zvi Galil 在 ACM Computing Surveys, 1986 的“Efficient Algorithms for Find Maximum Matchings最大重量，均归功于杰克埃德蒙兹。 一些想法来自斯坦福大学博士 HJ Gabow 的“非二部图上最大匹配算法的实现”。 论文，1973。 Ed Rothberg 的最大重量匹配 AC 程序被广

超松弛再生matlab代码矩阵IRLS 矩阵迭代加权最小二乘（ MatrixIRLS ），用于低秩矩阵完成。 该资料库包含MATLAB的MatrixIRLS算法实现，该算法在MatrixIRLS上发表的论文中进行了描述。 MatrixIRLS论文所述，MatrixIRLS通过基于最佳权重算子并结合适当的平滑处理的迭代加权最小二乘（IRLS）步骤，使受输入数据约束的矩阵的奇异值的对数总和最小化目标的策略。 该实现使用bksvd的改编或Cameron Musco和Christopher Musco的改编以“低秩+稀疏”格式计算矩阵的奇异值和向量。 该存储库还包含用于低秩矩阵完成的参考算法的集合，请参见下面的列表。 在本文的实验部分中，将MatrixIRLS与这些算法的数据效率（提供的条目很少的性能）和可伸缩性进行了比较。 为了方便用户在文件夹中提供参考算法的实现。 这些实现都只包含作者原始代码的微小修改（以便进行时序实验）。 请参考相应的研究论文和原始实现，以获取标准参数选择的说明。 引文 如果您引用本文或代码，请引用为： @inproceedings{kuemmerleverdun202