PMSM_PI_decomposition_pmsm滞环电流控制_decomposition_电机_永磁同步电机

多维集成经验模态分解法（THE MULTI-DIMENSIONAL ENSEMBLE EMPIRICAL MODE DECOMPOSITION METHOD，MEEMD）

TensorClus TensorClus（张量聚类）是第一个Python库，旨在对张量数据进行聚类和共聚。 它允许轻松地进行张量聚类，变形分解或张量学习和张量代数。 TensorClus允许与其他python软件包（例如NumPy，Tensorly，TensorFlow或TensorD）轻松交互，并在CPU或GPU上大规模运行方法。 它支持主要的操作系统，即Microsoft Windows，macOS和Ubuntu 。 源代码： : Jupyter笔记本： : 简要描述;简介 TensorClus库提供了多种功能： 几个数据集 张量与各种数据类型的共聚 张量分解和聚类 可视化 要求 numpy == 1.18 . 3 pandas == 1.0 . 3 scipy == 1.4 . 1 matplotlib == 3.0 . 3 scikit - learn == 0.

选址的matlab代码

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

条纹噪声的去除（去条纹）是遥感图像处理中的一个基本问题，对于后续应用具有重要的实践意义。 这些变分去斑方法取得了令人瞩目的结果，并引起了广泛研究的兴趣。 然而，它们中的大多数专用于从条纹图像中估计清晰的图像，在不考虑条纹的结构特征的情况下，非常关注图像本身，而条纹的结构特征很容易造成图像结构损坏，并在图像恢复中留下残留的条纹。 在本文中，我们平等地对待图像和条带分量，并将图像去块任务自然地转换为图像分解问题。 首先，我们将对条纹的结构特征进行详细分析，并提供有关遥感图像的先验知识。 然后，将它们合并，我们提出了一个基于低等级的单图像分解模型（LRSID），以将原始图像与条带成分完美分离。 这种对条带的低秩约束与以下事实完全匹配：只有部分数据矢量已损坏，而其他部分则没有损坏。 此外，我们进一步利用遥感图像的光谱信息，并将我们的2D图像分解方法扩展到3D情况。 已经对模拟数据和真实数据进行了广泛的实验，以验证所提出算法的有效性和效率。

Torch7的分解模块 主成分分析 (PCA) 白化主成分分析 (W-PCA) 线性判别分析 (LDA) 局部保护投影 (LPP) 邻里保护预测 (NPP) 快速独立分量分析 (FastICA) 约翰-亚历山大·阿塞尔 安装 克隆此存储库或下载源代码。 用法 调用decomposition = require "decomposition" ，然后是以下任何一项： decomposition.pca(x) , decomposition.lda(x, y) , decomposition.lpp(x) , decomposition.npp(x) , decomposition.fastica(x) 。 或者，您可以使用 iTorch notebook 并打开decomposition.ipynb 。 贡献 叉它！ 创建您的功能分支： git checkout

基于矩阵分解的电影推荐系统 本项目实现了陈家栋老师《推荐算法理论与实践》中的基于矩阵分解的电影推荐系统 备注十分详细，适合初学者学习

矩阵分解已经成为统计学的核心技术(Banerjee和Roy, 2014;、优化(Gill et al.， 2021)、机器学习(Goodfellow et al.， 2016);而深度学习在很大程度上是由于反向传播算法在拟合神经网络和低秩神经网络在高效深度学习中的发展。本调查的唯一目的是对数值线性代数和矩阵分析中的概念和数学工具进行一个完整的介绍，以便在后续章节中无缝地介绍矩阵分解技术及其应用。然而，我们清楚地认识到，我们无法涵盖所有关于矩阵分解的有用和有趣的结果，并且给出了这种讨论的范围的缺乏，例如，欧氏空间、厄米特空间和希尔伯特空间的分离分析。我们建议读者参考线性代数领域的文献，以获得相关领域的更详细介绍。一些优秀的例子包括(Householder, 2006; Trefethen and Bau III, 1997; Strang, 2009; Stewart, 2000; Gentle, 2007; Higham, 2002; Quarteroni et al., 2010; Golub and Van Loan, 2013; Beck, 2017; Gallier and Quaintance, 2017; Boyd and Vandenberghe, 2018; Strang, 2019; van de Geijn and Myers, 2020; Strang, 2021)

为了提高毫米波通信接收信号的可靠性，本文讨论了3D波束成形。 本文提出了一种码本设计方案，该方案可以通过使用坐标系代替球面坐标系将3D波束成形问题转换为两个2D波束成形问题。 该方案可以通过水平尺寸和垂直尺寸的两个码本的直接乘积来生成3D码本。 它降低了二维码本生成的复杂性。