matlab中存档算法代码L0动机的低秩稀疏子空间（LRSSC） 概述 在MATLAB中提出的GMC-LRSSC和L0-LRSSC的MATLAB实现。 GMC-LRSSC通过使用基于最小最大凹（GMC）罚函数的多元泛化的正则化来解决子空间聚类问题。 L0-LRSSC解决了Schatten-0和L0准规范的正则化目标。 为了运行建议的算法，提供了示例脚本和数据（run_dataset_name脚本）。 数据集 本文中使用的数据集可在“数据集”目录中找到。 数据集目录包括来自的扩展Yale B数据集，来自的USPS数据集，来自的MNIST数据集以及来自UCI机器学习存储库（）的ISOLET1数据集。 引用 在研究工作中使用代码时，请引用Maria Brbic和Ivica Kopriva撰写的“ℓ₀-动机低秩稀疏子空间聚类”。 @article{brbic2018, title={$\ell_0$-Motivated Low-Rank Sparse Subspace Clustering}, author={Brbi\'c, Maria and Kopriva, Ivica}, journa

【资源内容】：利用MATLAB实现了： 1、（均匀线阵）阵列信号建模； 2、 MUSIC算法及其改进算法的空间谱估计。 【算法涵盖】：1、经典MUSIC谱估计算法；2、改进的噪声子空间投影算法1；3、改进的噪声子空间投影算法2；4、基于谱函数二阶导数的DOA估计算法。 【代码特点】：参数化编程、可方便更改仿真参数；代码思路清晰、注释明细；适合初学者和有一定基础的同学。 【适用对象】：信号处理、雷达专业学生。 【乱码问题】：文件打开如果出现中文注释乱码的情况，就用记事本打开文件，若无乱码情况，则直接复制记事本中的内容，粘贴到对应的MATLAB文件中。 感谢支持！

针对噪声的随机性和突变性,使得传统算法抑制非平稳噪声比抑制平稳噪声难度增大的问题,提出了一种基于深度神经网络的子空间语音增强算法。该算法利用带噪的语音信号数据训练一组深度神经网络语音生成型模型(DNN训练模型);在测试增强阶段根据噪声估计和DNN模型去除非平稳噪声;最后,通过信号子空间在抑制噪声和减少信号失真上做出较为折中的选择重构语音信号。实验结果表明,基于深度神经网络的子空间语音增强算法对非平稳噪声有非常强的抑制能力,通过STOI和PESQ值反映了在低信噪比下,该算法可以提高增强语音的可懂度。

子空间的性质 性质1：协方差矩阵的大特征值对应的特征矢量张成的空间与入射信号的导向矢量张成的空间是同一个空间，即 性质2：信号子空间　与噪声子空间　正交，且有　　　　，其中　　　　　　。

基于多特征子空间与核学习的行人再识别

人工智能-机器学习-计算矩阵符号函数和不变子空间的Pad逼近方法.pdf

大数据-算法-高维数据子空间聚类算法研究.pdf

matlab代码FMR（用于子空间聚类的灵活多视图表示学习） 这是 的 Matlab 实现，发表于 IJCAI 2019。 联系人：李瑞煌() 纸 主要贡献包括： 我们建议通过鼓励它以加权的方式与不同的视图相似来构建一个潜在的表示，这隐含地强制它编码来自多个视图的互补信息。 我们引入了内核依赖度量：Hilbert Schmidt Independence Criterion (HSIC)，以捕获不同视图之间的高阶非线性关系，这有利于恢复数据的底层集群结构。 示例结果 数据 在这个例子中，我们加载了耶鲁数据集，其中包含 15 个主题的 165 张灰度人脸图像。 逃离 演示_FMR.m 引用 如果您在自己的工作中使用此代码，请引用以下论文： @inproceedings{li2019flexible, title={Flexible multi-view representation learning for subspace clustering}, author={Li, Ruihuang and Zhang, Changqing and Hu, Qinghua and Zhu, Pe

多视图聚类旨在综合利用视图数据中的一致信息和互补信息实现对数据的划分, 但各视图表征数据的能力参差不齐, 甚至有的视图可能含有大量的冗余和噪声信息, 不仅不能带来多样的信息, 反而影响聚类性能. 本文提出了自适应加权的低秩约束的多视图子空间聚类算法, 通过自适应学习的方式给各视图赋予不同权重来构造各视图共享的潜在一致低秩矩阵. 并且提出了有效的可迭代优化算法对模型进行优化. 在5个公开数据集上的实验结果表明所提算法的有效性.

基于新息估计和正交投影的闭环子空间模型辨识