IRLS （迭代重加权最小二乘）优化算法理解 最近在阅读去模糊算法中，在估计模糊核过程中经常提到IRLS算法，决定好好理解一下！ 以下理解来自论文《Iterative Reweighted Least Squares》 对于线性方程组的最优近似解问题： 写成矩阵形式， Ax=b，A∈RM×N{\bf Ax=b，A\in }\mathbb R^{M\times N}Ax=b，A∈RM×N 等价于最小化误差向量e=Ax−b\bf e=Ax-be=Ax−b的范数。 最小平方误差近似 使用二范数作为误差度量：∥e∥22=∑iei2=eTe{\bf \Vert e\Vert_2^2}=\sum_i e

迭代应用的最佳检查点策略 这项工作提供了一种最佳的检查点策略，可以保护迭代应用程序免受故障停止错误的影响。 我们考虑一个非常通用的框架，其中应用程序通过执行连续的迭代来重复相同的执行模式，并且每个迭代都由多个任务组成。 这些任务具有不同的执行长度和不同的检查点成本。 天真的策略和Young / Daly策略都不理想。 我们的主要贡献是证明最佳检查点策略是全局周期性的，并设计一种动态编程算法来计算最佳检查点模式。 这种模式很可能会检查许多不同的任务，并且涉及许多不同的迭代。 通过在综合和实际应用场景中进行的仿真，我们表明，最佳策略明显优于单纯策略和Young / Daly策略。 代码 gen_faults.m生成服从指数分布的故障main_GCR.m为GCR应用程序进行仿真main_gopi.m为神经科学应用程序进行仿真main_random.m对合成应用程序进行仿真Simulation_e

控制有限迭代lqr 在倒立摆上实现迭代线性二次正则（iLQR），盒子二次编程（box-QP）用于处理控制极限。

最优化学习的教程，浅显易懂，示例讲解。是一本值得推荐的优化学习的书籍。

稀疏矩阵入门经典书籍，全英文书籍。对学习稀疏矩阵的计算方法以及各种方法的证明有着很大的帮助。

雅各比（Jacobi）迭代算法进行分布式MPC

在二元数字通信系统中，假设为H1时，信源输出为常值正电压A，假设为H0时，信源输出为零电平；信号在通信信道传输过程中叠加了高斯噪声n(t)，每种信号的持续时间为（0,T)，在接收端对接收到的信号x(1)在（0,T)时间内进行了N次独立采样，样本为xk (k=1,2,···,N)。已知噪声样本nk是均值为零方差为的高斯噪声。

Iterative Algorithms I 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

Iterative Solution of Nonlinear Equations in Several Variables.djvu

这个项目是迭代反投影（IBP）的一个简单实现解决超分辨率问题的算法。 它首先被提出作者：Michal Irani 在她 1991 年的论文“通过图像提高分辨率注册”。正在使用的成像模型由一篇论文描述Michael Elad，“图像的超分辨率重建”。 两篇论文可以通过 Google Scholar 中的搜索轻松找到。 我对成像模型做了两个简化： 1) 假设图像模糊是空间不变的。 2）空间变换模型是全局变换。 要运行示例代码，请执行以下步骤： 1) 运行 SRSetup.m 2）运行SRExample.m 示例代码对合成生成的数据集进行操作参考图像。 因此，模糊西格玛的确切值和正在使用平移偏移量。