提出一种基于OFDM水声信道模型的信道自适应稀疏度估计方法。该方法利用小波分解估计得到信道初始稀疏度，结合已有的压缩感知自适应算法的思想确定算法迭代停止条件完成信道估计，解决实际运用中水声通信系统信道估计时稀疏度未知的问题。仿真实验结果表明，所提出的方法可精确重构估计信道信息，大大减少自适应算法的运行时间。

§1．2推荐系统的国内外研究现状 协同过滤作为一种减小信息过载的技术，在互联网上得到了广泛的应用， 如互联网上最大的在线书店Anlzoll．coin，最大的CD商店CDNow．com(已被 Amzon收购)都在它们的网上交易平台上采用了协同过滤技术，美国通用公司 采用一个名为Global Grade Selector的推荐系统进行塑料树脂的销售[1011， 韩国Inha大学Kyung-Yong Jung等人利用协同过滤技术开发了一个服装设计推 荐系统【55】。 协同过滤系统可以用于图书馆的个性化服务中[147]，图书馆用户之间能互 相分享信息，每个用户都是过滤代理人(FilteringAgent)，可以帮忙筛选馆藏， 提供别人借阅书籍意见参考。而图书馆中每个用户的借阅历史可视为是给别人 的馆藏推荐清单，用户可以参考这些推荐清单，来挑选自己有兴趣的馆藏，而 不用从图书馆众多的馆藏中盲目地寻找。协同过滤技术还可以应用于其它行业 与领域，如0hsugi等人将协同过滤技术用于软件项目管81751。

SpMV_CSR 使用压缩稀疏行格式的稀疏矩阵矢量乘法来编译代码，请使用gcc CSR.c mmio.c -o csr ./csr [filename.mtx]

我上传的Taucs库依赖库之一，这个版本可以在VS2013中直接打开，生成动态链接库供Taucs使用。

去噪代码 matlab

通过对图像进行小波分解来检测图像稀疏性是否满足要求

psf的matlab代码CLP-SECM数据的成像算法 1.概述 此代码包专用于通过由连续线探针（CLP）测量的扫描化学显微成像（SECM）数据进行图像重建。 通过将样品放在旋转台上并将线探针放置在样品的一侧来设置CLP-SECM扫描。 产生一条扫描线的方法如下：显微镜首先将其载物台旋转一个预定的角度，然后以恒定的步长将CLP逐步移动到样品的另一端。 在每个步骤中，CLP都会测量样品和探针末端之间通过电化学React产生的电流。 线扫描是在所有步骤中所有测量值的集合，其中样品旋转固定在某个给定角度。 结合在不同样品旋转角度下的信号线扫描可获得完整的CLP-SECM扫描。 在我们的实验中，感兴趣的样品-附着在基质上的化学React物种-具有高度结构化。 更具体地，形状React性物质是已知的，与样品尺寸相比要小得多，并且也稀疏地填充在基板上。 因此，可以将样本Y建模为React物种D与稀疏激活图X 0之间的2D卷积，表示为Y = D * X 0 。 我们采用压缩传感方法，通过找到精确的位置图X 0来重建SECM样本图像。 定义CLP线扫描L取样本Y和CLP属性p ---扫描角，CLP的点

翻译的论文，里面有很多专业词汇，翻译了很久，也有很多不懂。。。

二维频域中基于稀疏表示的宽带DOA估计

em算法matlab代码稀疏PELS 线性动力系统的稀疏参数估计 说明：该存储库包含线性动力学系统的稀疏参数估计的实现。 版权所有（c）2020 Behrad Soleimani保留所有权利 接触： 引用：如果您发现这些代码对您的研究有帮助，请引用以下论文 B. Soleimani，P。Das，J。Kulasingham，JZ Simon和B. Babadi，“间接低维测量的Granger因果推断及其在MEG功能连通性分析中的应用”，2020年第54届信息科学与系统年会（CISS） ，普林斯顿，新泽西州，美国，2020年，第1-5页，。 日期：2020年5月3日 要求：在Matlab R2019a版本中实现，但应在大多数版本上运行。 内容： main.m：主脚本。 SparsePELS.m： SparsePELS算法。 EM.m：期望最大化（EM）算法。 EStep.m：期望（E-）步骤。 IRLS.m：迭代重新加权最小二乘（IRLS）算法。 MStep.m：最大化（M-）步骤。 VARGenerator.m： VAR过程生成器。 redblue.m：红蓝色配色图。 SparsePEL