风电机组轴承处于早期故障阶段时，特征信号往往比较微弱，并且受环境噪声及信号衰减的影响严重，因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用，但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题，考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲，非常适用于轴承早期故障信号的降噪处理，因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪，然后对降噪后的信号进行EMD，选取敏感本征模态函数(IMF)并计算其包络谱，通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。

该算法可以实现在频域解解卷积，包含排序算法，亲测好用

该代码使用联合稀疏表示模型来提高超声成像的轴向分辨率。 所提出的模型将沿轴向的稀疏反卷积与沿横向的稀疏偏好约束相结合。 有关详细信息，请参阅 J. Duan 等人，“使用联合稀疏表示模型提高超声成像的轴向分辨率”。

总变异正则化最小二乘反卷积是最标准的图像处理问题之一。 该软件包使用增强拉格朗日 [1] 的概念提供了当前最先进算法的实现，可以将其视为广为人知的乘法器交替方向方法 (ADMM) 的变体。 deconvtv 的用户界面与当前 MATLAB 的反卷积工具相同，包括 deconvwnr、deconvlucy 和 deconvreg： out = deconvtv(img, psf, mu, opt); deconvtv 支持对图像和视频解卷积问题的直接时空处理。 deconvtv 的应用包括但不限于：图像和视频去模糊、图像和视频去噪、深度数据增强、热空气湍流稳定和多视图合成。 如需更多信息和引文，请参阅： [1] SH Chan、R. Khoshabeh、KB Gibson、PE Gill 和 TQ Nguyen，“用于全变分视频恢复的增强拉格朗日方法”，IEEE Trans。 图像

可以将超声脉冲回波检查中的接收信号建模为脉冲响应和反射序列之间的卷积，这是被检物体的脉冲特性。 去卷积的目的是使该过程近似反转以提高时间分辨率，从而使来自紧密间隔的反射器的回波之间的重叠变小。 本文提出了一种改进的最小熵盲去卷积算法，用于对超声信号进行去卷积。 通过使用提出的方法可以提高分辨率。 另外，在许多情况下，所提出的方法将导致更快的计算。 非线性函数是改进的盲解卷积算法效率的关键，该算法用于通过使用非线性函数的输出替换每个迭代输出来增加迭代输出的稀疏性并减少添加的噪声的影响。 仿真结果表明，在对合成超声信号进行卷积时，与最小熵解卷积相比，修改的效率更高。 使用实际超声数据的实验结果进一步评估，精确的解决方案始终可以产生良好的性能。 薄钢板样品的厚度可以通过改进的盲反褶积滤波器以合理的精度进行计算。

针对于模糊图像复原，psf复原，加权数组去模糊，FUN复原图像

最优非迭代最小熵解卷积解Geoff McDonald (glmcdona@gmail.com) 的代码，2015 omeda(x,filterSize,overlapMode,plotMode) 一种非迭代最优 MED (OMED) 计算算法。 这种方法解决了与 MED 类似的反卷积问题，并且能够直接解决Carlos Cabreli 提出的最优滤波器解决方案。 这个可以用来旋转从振动信号检测机器故障以检测齿轮和轴承故障，以及 OMED 用于提取振动中的类脉冲特征。 这个实现使用了我在第二篇论文中提出的卷积调整参考，这对于防止这种方法达到微不足道的解决方案很重要去卷积卷积不连续性。 读者请注意，您可能想参考我的其他一些 MED 提交： 医学： 迭代非最优解通常更适合振动故障检测。 它通常比这个最优解更好，因为 MED 问题旨在去卷积结果只有一个脉冲。 因此，OMED 能够更好地提取仅对单

一个R包，用于统一访问从大量RNA测序数据估算免疫细胞组分的计算方法。 基本用法 immunedeconv :: deconvolute( gene_expression_matrix , " quantiseq " ) 其中gene_expression_matrix是一个矩阵，其中的基因排成行，样本的列成列。 行名必须是符号，而列名必须是样本名称。 该方法可以是以下方法之一 quantiseq timer cibersort cibersort_abs mcp_counter xcell epic 有关更详细的使用说明，请参阅文档： 。 。 可用方法，许可，引用 请注意，尽管immunedeconv本身是免费的（ ），但您可能需要获得使用单个方法的许可证。 有关更多信息，请参见下表。 如果您在工作中使用此程序包，请同时引用我们的程序包和使用的方法。 Sturm，G.，Fino

在传统的基于波前探测的解卷积方法中, 由波前探测得到的点扩展函数被认为是精确的, 并用维纳滤波进行复原, 但是点扩展函数不可避免地存在误差, 所以最终的复原目标图像质量不佳。为了解决该难题, 提出了基于目标和点扩展函数联合估计的图像近视解卷积算法。它运用了点扩展函数和目标的先验信息, 对点扩展函数和目标进行了规整和进一步约束, 从而得到更优的恢复图像质量。对该方法的原理和实现过程进行了阐述, 并将其运用于室内点源目标数据中。实验结果证明, 与维纳滤波方法相比, 该方法使图像恢复的效果得到明显改善。

层网matlab代码REGALS 通过正则化交替最小二乘法进行小角度 X 射线散射 (SAXS) 混合解卷积的软件包。 它已应用于色谱耦合 SAXS、时间分辨 SAXS 和平衡滴定的数据集。 有关详细信息，请参阅我们的论文 ()。 存储库内容 matlab/ - REGALS 库的 MATLAB 实现 python/ - REGALS 库的 Python 3 实现 demo/ - 用于处理示例数据的笔记本（用于 Python 的 Jupyter，用于 MATLAB 的 Live notebook）。 看 。 license.md - 软件许可证 系统要求 硬件 这取决于数据集的大小。 demo/包含的示例可在台式计算机上快速运行（< 1 分钟）。 软件依赖 MATLAB 实现是在 R2018a（版本 9.4）中开发的。 不需要工具箱。 Python 实现是在 Python 3 中开发的。 REGALS 库需要numpy和scipy 。 演示使用带有h5py Jupyter 笔记本进行数据导入，使用matplotlib进行绘图。 代码已经过以下版本的测试： python ：3.8.3 n