BEADS 联合解决了同时基线/趋势/漂移校正和（高斯、泊松）一维信号降噪的问题。 它专为分析化学中出现的正信号和稀疏信号而设计：色谱、拉曼光谱、红外、XRD、质谱等）。 基线对应于缓慢变化的趋势、仪器漂移或背景偏移。 所提出的 BEADS 基线滤波算法基于将一系列（色谱图）峰建模为主要为正、稀疏且导数稀疏，并将基线建模为低通信号。 为了封装这些非参数模型而制定的凸优化问题。 为了说明色谱峰的正性，使用了类似于正则化 l1 范数的不对称惩罚函数。 开发了一种鲁棒的、计算效率高的迭代算法，保证收敛到唯一的最优解。 它实现了发表在论文“Chromatogram baselineestimation and denoising using sparsity (BEADS)”中的方法，作者是 Xiaoran Ning、Ivan W. Selesnick、Laurent Duval， Chemome

行业分类-电信-基于稀疏信号的波束形成器及其方法.rar

L1-SVD算法

匹配追踪是一种稀疏逼近算法，它在过完备字典的跨度上找到多维数据的“最佳匹配”投影

基于加权l1范数的稀疏信号重建，稀疏信号是带噪声的-Sparse signal reconstruction based on the weighted l1 norm sparse signal with noise

还可以参考李廉林老师的书《稀疏感知导论》，ppt共五讲，内容分别如下稀疏信号处理理论、方法及应用研究进展概况 稀疏信号的表示与采样原理 稀疏信号重建算法之梯度优化方法 鲁班稀疏Bayesian优化方法 压缩感知滤波器等应用实例

贝叶斯压缩感知稀疏信号重构方法研究

本书主要描述了基于压缩感知的理论，恢复算法，还有详细介绍了应用，特别适合学习压缩感知的人使用

法国国立计算机及自动化研究院INRIA开发的稀疏表达工具包，采用了intel底层MKL，效率较高，但要求在2009b以上的matlab上运行

大牛叶杰平开发的稀疏学习matlab工具包。