具有模态指标的随机子空间识别，包括一致模式指标和模态参与因子。 该函数不使用系统识别工具箱函数n4sid。 示例文件用于识别受高斯白噪声激励的 2DOF 系统，并为激励和响应增加了不确定性（也是高斯白噪声）。 函数 [Result]=SSID(output,fs,ncols,nrows,cut) 输入： output：输出数据大小（输出通道数，数据数） fs：采样频率ncols：hankel矩阵的列数（大于数据数的2/3） nows：hankel矩阵中的行数（超过20*模式数） cut：截止值=2*模式数 输出： 结果：结构由以下组件组成 Parameters.NaFreq : 自然频率向量Parameters.DampRatio : 阻尼比向量Parameters.ModeShape : 模式形状矩阵 Indicators.EMAC : 扩展模态幅度相干性Indicators.M

Sparse Subspace Clustering基于人脸分割的子空间聚类的原始代码。

稀疏子空间聚类算法的Python实现 稀疏子空间聚类是一种基于稀疏表示理论的技术的子空间聚类算法。 有关更多信息，请参见。 此实现基于提供的 。 要求-numpy，scipy，sklearn，cvxpy。 经过Python 3测试。 可以从安装cvxpy python软件包。 从SSC.py开始探索。 此文件中的SSC_test()方法提供了子空间群集的基本示例。 运行： python SSC.py 注意：此代码已投入大量精力。 如果您决定使用此代码，我非常感谢的电子邮件。

这是一个用于多变量子空间识别的小而强大的工具。 它实现了所谓的多变量输出错误状态空间算法。 使用嵌套函数技术分两步进行识别。 主函数返回从输入和输出数据获得的子空间的得分向量。 从得分向量中，用户可以轻松确定要识别的模型的适当顺序。 然后，通过调用同样由主函数返回的函数句柄，按照确定的顺序，获得状态空间矩阵。 包含一个示例来说明如何使用此工具。

很棒的多视图聚类 最新技术（SOTA）的集合，新颖的多视图聚类方法（论文，代码和数据集） 我们期待其他参与者分享他们的论文和代码。 如果有兴趣，请联系 。 目录 重要调查文件 多视角学习论文调查 基于图的多视图聚类系统研究纸代码 多视图聚类：调查论文 多视图学习概览：最近的进展和新的挑战纸业 文件 下列方法列出了论文：图形聚类，基于NMF的聚类，共正则化，子空间聚类和多核聚类 图Clusteirng AAAI15：通过两方方格纸代码进行大规模多视图光谱聚类 IJCAI17：具有多个图形的自加权多视图聚类”论文代码 TKDE2018：一站式多视图光谱聚类纸代码 TKDE19：GMC：基于图的多视图聚类论文代码 ICDM2019：一致性遇到不一致：用于多视图聚类的统一图学习框架论文代码 多Kenrel聚类（MKC） NIPS14：用于内核k均值聚类的局部数据融合及其在癌症生物学中的

Subspace global skyline query processing

这是T Katayama 在2005年写的关于系统辨识的英语书籍，里面介绍了子空间辨识的材料，是一个新的辨识算法。非常适合用状态方程表示的系统的辨识问题。适合高年级的阅读。

MATLAB上的聚类/子空间聚类算法 此存储库不再处于主动开发中。 但是，欢迎对现有算法的实现提出任何问题。 [2020年10月] 1.聚类算法 K均值 K-均值++ 一般而言，该算法类似于K-means 。 与经典的K-means随机选择初始质心不同， K-means ++中集成了更好的初始化过程，在该过程中，远离现有质心的观测具有较高的被选为下一个质心的可能性。 可以使用适合比例选择来完成初始化过程。 ISODATA（迭代自组织数据分析） 简而言之， ISODATA引入了两个附加操作：拆分和合并； 当一类内的观察次数少于一个预定义阈值时， ISODATA会以两类间的最小距离合并两类；否则， ISODATA会合并两类。 当一个类别的类别内方差超过一个预定义阈值时， ISODATA将该类别分为两个不同的子类别。 均值漂移 对于每个点x ，找到邻居，计算均值向量m ，更新x

Latent Low-Rank Representation for Subspace Segmentation and Feature Extraction ICCV matlab 论文代码

lrr的低秩方法，刘光灿写的。。。。。还蛮有用的