WebShell是网络入侵的常用工具，具有威害性大、隐蔽性好等特点。目前的检测手段较简单，容易被绕过，难以对付复杂灵活的 WebShell。针对这些问题，提出一种智能检测 WebShell 的机器学习算法，通过对已知存在WebShell和不存在WebShell的页面进行特征学习，完成对未知页面的预测，灵活性、适应性较好。实验证明，相比传统的WebShell检测方法，该算法的检测效率、正确率更高，同时也能以一定概率检测出新型的WebShell。

通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过TrustSVD算法进行基于矩阵分解的商品推——数据集通过Trust

矩阵分解在求解线性矩阵方程中的应用，刘景松，，矩阵的分解在最优化问题、特征值问题、最小二乘方问题、广义逆矩阵问题及统计学等方面都有着重要应用。本文中讨论和 分析了矩阵��

还不错的一篇论文，写的还是浅显易懂！很好的理解矩阵分解

vs运行matlab代码 PCA_vs_NMF Compare the decomposition results of PCA and Non-negative Matrix Factorization (NMF) on Yale's faces dataset. PCA: 使用matlab自带的函数实现 NMF: 自己写了实现的代码 测试数据： 耶鲁大学的人脸数据库。考虑到可能有版权的问题，所以没有上传相应的数据，大家可以自己去相应的网站上下载。 结果： result_analysis.pdf中有给出我自己运行出的结果和相应的分析。

随着商业智能系统和数据挖掘技术的发展，用户的行为数据对企业决策产生了重要的影响。网络电子商务平台可以利用这些数据分析后的结果，对特定的用户推送他们感兴趣的商品，这样能增强用户黏度，提高平台的商业价值。提出一种基于用户行为分析的个性化推荐算法，将用户的行为信息转化为用户评分矩阵，且提出一种改进的正则化非负矩阵分解算法，在原始正则化非负矩阵分解算法的基础上加入偏置信息。改进算法充分挖掘用户在网页上点击、购买、浏览、收藏等行为信息，将用户感兴趣的商品及时推送给用户。实验结果验证了本文所提出的两种算法的有效性和高效性。

为满足盲源分离算法对振源信号数量的苛刻要求，提出了一种基于非负矩阵分解的源数估计方法。该方法在传感器数大于或等于源数时，无论源信号是否相关均能准确估计源数；在传感器数小于源数时，能估计源数的下界。理论分析、仿真和工程实验证明了该方法的有效性和可行性。

一、穆勒矩阵构成 穆勒矩阵是一个4*4的矩阵，完整描述了介质的偏振属性。可通过水平线偏振光H、垂直线偏振光V，45°线偏振光P，右旋圆偏振光R入射，并分别探测水平线偏振光H、垂直线偏振光V，45°线偏振光P，右旋圆偏振光R出射情况下的能量值，即16种偏振态组合下的强度结果，HH/ HV/ HP/ HR，PH/ PV/ PP/ PR，VH/ VV/ VP / VR和RH/ RV/ RP/ RR。进而Mueller矩阵可按照公式（1）计算得到：

MATLAB矩阵分解-MATLAB矩阵分解.doc MATLAB矩阵分解

异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开，可以极大地减弱异常目标对背景的污染。基于此，提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法，通过LRaSMD的方式获取背景集，通过稀疏表达的方式从背景集中构建背景字典模型，最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证，实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。