设计程序,输入两个一元稀疏多项式, 分别完成二者的加法、减法、乘法运算,输出和多项式、差多项式、乘积多项式, 并求多项式在x(double型)处的值。要求: 1、分别以顺序表和单链表为存储结构实现多项式的加法和减法运算。 2、乘法运算的实现使用单链表为存储结构
2021-12-19 23:59:45 8KB C语言 数据结构 多项式
1
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。
2021-12-18 22:33:50 9KB Python
1
PyPardiso项目 Python接口可解决大型稀疏线性方程组 更多文档即将发布。 同时,请参考源代码中的注释和文档字符串。 Linux / OSX的构建状态: Windows构建状态: 安装 将PyPardiso与 python发行版一起使用(如果需要安装,请使用 )。 PyPardiso利用了conda 的Intel Math Kernel Library,因此不适用于其他发行版(至少目前是这样)。 要安装PyPardiso: conda install -c haasad pypardiso 基本用法 PyPardiso提供了一种spsolve和factorized方法,比的对应方法快得多。 >>> from pypardiso import spsolve >>> x = spsolve(A,b) 变更日志 v0.2.2 CSR-矩阵格式被强制在spsolve和
2021-12-18 17:05:55 17KB Python
1
人脸图像特征提取matlab代码国际货币基金组织 具有稀疏约束的增量非负矩阵分解用于图像表示 此repo实现了由Jing Sun等人针对“具有稀疏约束的增量非负矩阵分解进行图像表示的性能”所提出的特征提取算法的迭代更新过程。此代码对人脸(ORL-32)和对象( COIL20)数据集以获取AC和NMI,然后验证INMFSC的聚类有效性。 此外,该代码还可以显示我们的稀疏性研究和运行时间,以便与其他基于NMF的聚类方法进行比较。 依存关系 该代码支持Matlab。 跑步 main.m--INMFSC / INMF main1006 -NMF main1024nmf -GINMFSC main1027nmf -GNMF 下载本文 引文 如果您认为此代码有用,请引用: 孙静,王志辉,李浩杰*,孙发明。 (2018)具有稀疏约束的增量非负矩阵分解用于图像表示。 PCM(2)2018:351-360。
2021-12-16 22:01:18 7.01MB 系统开源
1
空手道俱乐部数据 稀疏矩阵格式以及gml格式
2021-12-16 19:48:15 9KB 空手道 数据
1
介绍了现有协同过滤推荐的几种主要算法。它们对数据稀疏性问题都有一定的缓和作用。通过在数据集MovieLens上的实验,分析了各个算法在不同稀疏度下的推荐质量,为针对不同数据稀疏度的系统实现提供了可靠依据。
1
在本文中,我们提出了一种基于深度神经网络,堆叠式稀疏去噪自动编码器(SSDA)的图像处理低层结构特征提取方法。 当前通过深度学习进行图像处理的方法是直接构建和学习输入/输出之间的端到端映射。 相反,我们提倡从输入数据中分析第一层学习功能。 利用学习到的低级结构功能,我们改进了两个边缘保留滤波器,这对于图像处理任务(例如降噪,高动态范围(HDR)压缩和细节增强)至关重要。 由于所提出的特征提取的有效性和优越性,由两个改进的滤波器计算的结果不会遭受包括光晕,边缘模糊,噪声放大和过度增强的缺点。 更重要的是,我们证明了从自然图像训练的特征不是特定的,并且可以提取红外图像的结构特征。 因此,通过直接使用经过训练的功能来处理任务是可行的。 (c)2017 Elsevier BV保留所有权利。
2021-12-16 09:21:15 3.12MB 研究论文
1
标题 作者 日期 输出 spca包 Giovanni Merola RMIT International University Vietnam 电子邮件:lsspca@gmail.com 存储库: : 2015 年 2 月 15 日 rmarkdown::html_document 目录 主题 强调 真的 联合的 黑线鳕 斯卡 介绍 spca是一个用于运行稀疏主成分分析的 R 包。 它实现了计算稀疏 PC 的最小二乘估计的 LS SPCA 方法。 与其他现有的 SPCA 方法不同,LS SPCA 解决方案最大限度地提高了解释数据的方差。 详细信息可以在和即将发表在澳大利亚和新西兰统计杂志上的论文中找到。 我在发表 LS SPCA 论文时遇到了困难,可能是因为 LS SPCA 改进了现有方法。 Technometrics 的主编邱博士拒绝了该论文,该论文证实
2021-12-15 15:04:19 767KB R
1
实现了稀疏矩阵A+B相加 数据结构中的采用结构体数组进行稀疏矩阵的存储
2021-12-15 09:31:19 3KB 矩阵 相加 稀疏
1
基于稀疏感知频谱估计的有效运动目标检测算法
2021-12-14 20:17:23 1.62MB 研究论文
1