稀疏阵列，阵列方向图，将阵列天线的波束形成问题等效为求解稀疏信号向 量的最优化问题的方法，快速准确地得到最大稀疏化的阵列，以及阵元位置和激励幅度

A Fast Proximal Method for Convolutional Sparse Coding.pdf

Simple and Practical Algorithm for Sparse Fourier Transform SFT经典文章一篇

斯坦福大学机器学习课程，exercise代码。经验证，没错误。

稀疏矩阵 稀疏矩阵库。 安装 $ npm i ml-sparse-matrix 用法 import { SparseMatrix } from "ml-sparse-matrix" ; const matrix1 = new SparseMatrix ( [ [ 1 , 2 ] , [ 3 , 4 ] , ] ) ; const matrix2 = new SparseMatrix ( [ [ 0 , 5 ] , [ 6 , 7 ] , ] ) ; const product = matrix1 . kroneckerProduct ( matrix2 ) ; 执照

matlab tsp问题代码对未知非平稳调制的稀疏信号的支持恢复 用于复制IEEE信号处理（TSP）论文“”中的图形的代码 抽象的 从低维噪声观测中估计稀疏信号的问题出现在许多应用中，包括超分辨率，信号去卷积和雷达成像。 在本文中，我们考虑了具有非平稳调制的稀疏信号模型，其中，对观察结果有贡献的每个字典原子都经历了未知的，独特的调制。 通过应用提升技术，在调制信号存在于公共子空间的假设下，我们将这种稀疏恢复和非平稳盲解调问题重现为从结构化线性观测中恢复列式稀疏矩阵，并提出解决通过块L1-范数正则化的二次最小化。 由于观察到的噪声，稀疏信号和调制过程无法准确恢复。 相反，我们旨在恢复地面真实信号的稀疏支持，并限制信号非零分量和调制过程的恢复误差。 特别是，我们在样本复杂度和正则化参数上得出了足够的条件以进行准确的支持物回收，并限制了支持物上的回收误差。 数值模拟证实并支持了我们的理论发现，并且我们证明了该模型在单分子成像应用中的有效性。 经过测试 Matlab R2017b与 引文 如果您使用我们的方法和/或代码，请引用我们的论文 @article{xie2020support, tit

[ 协同过滤与隐语义模型推荐系统实例1: 数据处理 ] [ 协同过滤与隐语义模型推荐系统实例2: 基于相似度的推荐 ] 隐语义模型推荐 基于矩阵分解（SVD）的推荐 # 先计算歌曲被当前用户播放量/用户播放总量 当做分值 triplet_dataset_sub_song_merged_sum_df = triplet_dataset_sub_song_merged[['user', 'listen_count']].groupby('user').sum().reset_index() triplet_dataset_sub_song_merged_sum_df.rename(columns

= 关于稀疏表示方法的整理与总结

核稀疏表示分类（KSRC）是稀疏表示分类的非线性扩展，显示了其在高光谱图像分类中的良好性能。 但是，KSRC仅考虑无序像素的光谱，而没有在空间相邻数据上合并信息。 本文提出了一种对空间光谱核稀疏表示的相邻滤波核，以增强对高光谱图像的分类。 这项工作的新颖性在于：1）提出了空间光谱KSRC框架； 2）通过核特征空间中的邻域滤波来测量空间相似度。 在几个高光谱图像上的实验证明了该方法的有效性，并且所提出的相邻滤波内核优于现有的空间光谱内核。 此外，所提出的空间光谱KSRC为将来的发展打开了广阔的领域，在其中可以轻松地合并滤波方法。

优化的稀疏内核接口（OSKI）库提供自动调整的稀疏矩阵内核，供求解器库和应用程序使用。 OSKI是BeBOP项目的一部分，该项目是UC Berkeley进行的性能调整和分析。 （去熊！）