对于泊松噪声污染下的模糊共聚焦图像复原问题，为解决传统方法中存在的阶梯效应，提出了一种基于Hessian矩阵范数的正则化方法.在泊松概率模型的基础上，该方法引入Hessian矩阵范数作为正则条件，并应用交替方向乘子法和梯度投影方法求解最优化模型.在激光扫描共聚焦显微镜实验中，所获得的复原图像质量优于传统方法，此结果证明了该方法可以有效地复原泊松噪声污染下的模糊共聚焦图像.

基于加权1范数的稀疏重构波达方向估计算法

请阅读以下文章，详细了解算法-约翰·赖特（John Wright），阿文德·甘内什（Arvind Ganesh）和马毅（Ya Ma）通过稀疏表示进行鲁棒人脸识别，伊利诺伊大学厄本那-香槟分校的协调科学实验室，艾伦·杨，美国加州伯克利。 使用的数据库是 MIT-CBCL 和 YaleB 数据库，它们来自http://cbcl.mit.edu/software-datasets/heisele/facerecognition-database.html和http://cvc.yale.edu/projects/yalefacesB/ yalefacesB.html 。

动态压缩感知（DSC）是压缩感知领域中一个重要的研究分支，它是近几年新兴起的一种信号处理与分析方法，与传统的压缩感知理论不同，DSC研究的对象是稀疏时变信号，并且已在视频信号处理和动态核磁共振成像等方面显示出了强大的应用潜力。本节正是在此基础上，提出了一种用于多普勒频率跟踪估计的DSC方法。首先，通过前一跟踪时刻所得到的先验DOA稀疏信息，获得当前跟踪时刻信号向量中各位置非零元素的分布概率，继而建立起动态DOA的稀疏概率模型。然后，采用加权l_1范数最小化方法重构出当前跟踪时刻的信号向量，从而确定非零元素的位置，获得DOA的实时估计值，最终实现运动目标的动态DOA跟踪。

压缩包包含4个天线选择算法的仿真，最佳选择，范数选择，递增选择和递减选择

（3）范数函数 norm (A) —— 2-范数 norm (A , p) —— p-范数，p = 1，2，inf，fro normest (A) —— 2-范数估计值 （4）秩函数 rank (A) （5）迹函数 trace (A) （6）通用函数形式 funm (A , ‘函数名’） 如： funm (A , ‘sqrt’）同 sqrtm (A) 区别于 sqrt (A) (作用到各元素上) P53 表2.6 基本函数表

利用L1范数TV正则化对影像进行超分辨率重建

L1范数正则化最小二乘计算min||y-Ax||^2+lambd||x||问题最优解

阵列信号处理MUSIC法扩展复现，主要是针对现代信号处理_张贤达书中经典MUSIC算法的扩展算法进行复现，包括解相干、求根、最小范数、第一主向量、波束空间MUSIC法。主要用作学习用途。

Mlanfar实验室提出的基于L1范数的MAP算法