LMD分解,lmd分解故障诊断,matlab源码

#Reduced-Rank Randomized SVD 包 (RRSVD-Package) 此存储库包含论文“Fast Time-Evolving Block-Decimation algorithm through Reduced-Rank Radomized Singular Value Decomposition”中描述的方法的实现 介绍 mxn 矩阵A的奇异值分解的计算复杂度为O (mn^2)。 因此，对于大型矩阵，SVD 可能需要大量时间。 在许多情况下，不需要完整的 SVD：实际上只需要最大的奇异值（以及相应的左奇异向量和右奇异向量）。 通过使用截断的 SVD方法，可以避免A的完整SVD，只计算前k 个奇异值和相应的奇异向量； 这些方法是数据分类算法、信号处理和其他研究领域的标准工具。 Implicitly Restarted Arnoldi Method 和 Lanczos

包括奇异值分解算法的MATLAB程序以及MRSVD算法等一些其他的SVD变种算法的程序

简介：该傻瓜程序用于对原始信号进行分解，并计算分解后不同模态函数的样本熵。 注释：对这个Matlab程序进行了一定的注释和改进，包括参数设置，简单易懂，避免你浪费时间搜索网络代码（大多数还不可运行）； 操作方法：运行main，保证运行无错，带原始数据，带图，写论文必备。 后面还会更新模糊熵计算函数。

对三阶张量样本进行降维处理，采用了张量Tucker分解，运用高阶奇异值分解方法

用Matlab编写的2阶小波分解，并显示分解图像

本C++程序用列主元LU分解法来解线性方程组

自己学习编写的混合像元分解中的端元提取部分的纯像元指数PPI算法的MATLAB代码。可以运行得到结果，但没有结果用于验证，亦未编写精度评定，不保证结果的正确性。

java语言编写的一个求特征值和特征向量，算法是：先采用正交分解进行QR分解，然后进行迭代N次后求出对角矩阵和正交矩阵，对角矩阵即为特征值，正交矩阵即为特征向量。

matlab三维张量分解代码DTF：预测抗癌药物协同作用的深层张量分解 这些是代码和数据，主要用于该项目，该项目使用深张量因子分解来预测抗tic子药的协同作用。 我在这里使用的唯一数据集是38种药物和39种细胞系的药物协同作用数据，这些数据是根据ONeil等人的研究得出的。 为了实现DTF模型，首先，我使用R预处理原始数据以构建张量，然后将其用于Python和MATLAB 。 对于某些特定的细胞系，对相同的药物对进行了多次实验。 为了构建三维（3D）药物-细胞-细胞系张量，我们对相同药物-药物对的这些分数取平均值。 结果张量在data_sets文件夹中提供。 为了在matlab中分解张量，我使用和。 张量分解的结果以因子矩阵的形式提供。 python代码主要涉及如何根据Matlab的输出生成特征，并给出了构建最终DTF模型以对缺失药物组合进行预测的代码。 注意，为了方便编程，将每种药物组合编码为一个索引。 具体来说，我使用公式：drug_A_index + drug_B_index * 38 + cell_line_index * 38 * 38来编码药物组合。 因此，我可以解码索引以