该函数有效地实现了稀疏矩阵和满矩阵的矩阵指数矩阵。 此代码基于缩放、泰勒级数和平方，以保持矩阵稀疏性并比 Matlab 的 expm.m 函数更快地计算 expm(H)。 对于大于16x16的矩阵，建议将其用于CPU和GPU（带有适当的工具箱）。 用： P = fastExpm(H) --> 默认设置P = fastExpm(H,convergenceCriteria) P = fastExpm(H,convergenceCriteria, nonZeroTol) 使用两个标准来加速计算并保持稀疏性。 [1]convergenceCriteria 确定泰勒级数的阈值（默认 1e-6） [2] nonZeroTol 在每个计算步骤中剥离小于 nonZeroTol 的元素以保持稀疏性，默认值为 1e-14。 如果稀疏度低于 25%，代码会自动从稀疏切换到完整以保持速度。 如果H是一个g

matlab椒盐去噪代码LoBCoD CSC模型的局部块坐标下降算法 这是实现LoBCoD算法的Matlab程序包。 E. Zisselman, J. Sulam and M. Elad, "A Local Block Coordinate Descent Algorithm for the Convolutional Sparse Coding Model". CVPR 2019. [] [] [] 引用LoBCoD @InProceedings{Zisselman_2019_CVPR, author = {Zisselman, Ev and Sulam, Jeremias and Elad, Michael}, title = {A Local Block Coordinate Descent Algorithm for the CSC Model}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2019} }

信号稀疏分解MATLAB代码多尺度采样补充 该存储库包含本文随附的Matlab代码 Krithika Manohar，Eurika Kaiser，Steven L.Brunton和J.Nathan Kutz。 “针对多尺度动力学的优化采样”。 SIAM多尺度建模和仿真（2019）。 出现。 有关本文的预印本，请参见。 这项工作开发了用于在空间域（即传感器放置）中进行最佳采样的方法，以发现和估计在多个时间尺度上运行的动力学。 主要工具是使用多分辨率动态模式分解（mrDMD）和用于传感器放置的矩阵QR枢轴进行降维。 在此代码中，我们提供以下内容： 计算给定数据集的mrDMD和最佳传感器位置的功能。 生成本文中图形的脚本。 基于NOAA海面温度（SST）数据的多尺度采样示例以及多尺度人工视频示例。 src /中的mrDMD方法和子例程改编自先前的工作 J. Nathan Kutz，Steven L. Brunton，Bingni W. Brunton和Joshua L. Proctor。 动态模式分解：复杂系统的数据驱动建模。 卷149. SIAM（2016年）。 外部依赖 Matlab信号

关于稀疏矩阵的加、减、乘的代码，数据结构中用的。写得感觉一般，但可以运行，仅供参考。

OMP的matlab算法，关于压缩感知信号重构的代码

利用MATLAB以及CVX（凸优化工具箱）给出了利用1范数求解和真实解的误差，并且给出了1范数求解的真实值

稀疏编码中涉及到的： LASSO，近端梯度优化（PGD），迭代软阈值算法（ISTA），L-Lipschitz条件，软阈值的公式推导

C语言实现的稀疏矩阵运算器，通过用数据结构来实现（一部分），主要是矩阵的实现

清华大学版《数据结构》第三次试验代码，原创

对左右两幅图像进行稀疏匹配，完成匹配后得到轮廓图和深度图，由深度图得到3维的点云立体图像。