SPAMS SPArse Modeling Software 是一个为解决各种稀疏估计问题的开源优化工具箱 本文件中有全部的代码和文档 及使用说明

l-曲线矩阵代码代码代码 该存储库适用于以下论文中介绍的自我正则化加权稀疏（SRWS）模型，并在Matlab R2018a中构建。 Zhang T，Peng Z，Wu H，et al。 [J]。 神经计算，420：124-148。 有关我的更多信息，您可以访问我的。 内容 介绍 红外搜索与跟踪（IRST）系统已在许多领域中广泛使用，但是，在复杂背景下检测红外小目标仍然是一项艰巨的任务。 本文提出了一种新的检测方法，称为自规则加权稀疏（SRWS）模型。 该算法是针对数据可能来自多个子空间的假设而设计的。 并且，可以检测背景结构信息的重叠边缘信息（OEI）被用于约束稀疏项并提高准确性。 此外，自正则项用于在背景中挖掘潜在信息，并从多个子空间中提取杂波。 因此，红外小目标检测问题转化为优化问题。 通过将优化函数与乘积交替方向法（ADMM）结合，我们解释了SRWS的求解方法并优化了其迭代收敛条件。 一系列实验结果表明，所提出的方法优于最新的基线。 图1.红外图像转换为斑块图像的插图。 图2.背景估计能力的图示。 （a）-（d）是原始图像； （e）-（h）是通过IPI估计的背景，采用单个子空间方

光学稀疏孔径成像matlab程序，以Golay3为例

SMALLbox is a new foundational framework for processing signals using adaptive sparse structured representations

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前，主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好，但求解困难；L1 求解方便，但稀疏性差。提出一种近似稀疏模.型，并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中，将观测矩阵进行多层次稀疏分.解，提高非负矩阵分解高光谱解混的精度，提升算法的收敛性。仿真数据和真实数据实验表明：该算.法能够避免陷入局部极值，提高非负矩阵分解高光谱解混性能，算法精度上比其他几种算法都有较大.的提升效果，RMSE 降低 0.001~1.676 7，SAD 降低 0.002~0.2443。

哈夫曼编码和稀疏矩阵的操作课程设计报告.doc

共轭梯度法解稀疏矩阵，过程详细，算例参考数值分析

Multipath Matching Pursuit with Depth-First (MMP-DF) 是一种贪婪算法，它为稀疏重建/近似问题提供近似解：min ||x||_0 使得 Phi * x = y。 该算法来自论文：[*] S. Kwon、J. Wang 和 B. Shim，“多路径匹配追踪”，IEEE Trans。 通知。 理论，卷。 60，没有。 5，第 2986-3001 页，2014 年 5 月。

航拍图像往往具有场景复杂、数据维度大的特点，对于该类图像的自动分类一直是研究的热点。针对航拍原始数据特征维度过高和数据线性不可分的问题，在字典学习和稀疏表示的基础上提出了一种结合核字典学习和线性鉴别分析的目标识别方法。首先学习核字典并通过核字典获取目标样本的稀疏表示，挖掘数据的内部结构；其次采用线性鉴别分析，加强稀疏表示的可分性；最后利用支持向量机对目标进行分类。实验结果表明，与传统基于子空间特征提取的算法和基于字典学习的算法相比，基于核字典学习与鉴别分析的算法分类性能优越。

经典小波分解对信号稀疏化效果不佳，为此设计了基于小波域经验维纳滤波器的稀疏表示算法. 该算法可自适应地衰减每个小波系数，增大系数的稀疏度及可压缩性，从而提高压缩感知算法对信号的恢复质量. 仿真结果表明，与传统的基于小波变换的信号稀疏表示及恢复算法相比，该算法较大地提升了对信号及图像的恢复质量。