基于低秩矩阵恢复与协同表征的人脸识别算法.pdf

利用初等行变换对任意矩阵进行满秩分解，根据hemite标准型得到的结果是满秩分解的一种有效方法

使用非局部自相似性和低秩先验来增强医疗图像分辨率

高光谱图像降噪的联合空间和光谱低秩正则化

低秩表示，加速近邻梯度法function [A_hat,E_hat,numIter,ca,e] = proximal_gradient_rpca(D, lambda,... maxIter, tol, lineSearchFlag, ... continuationFlag, eta, mu, outputFileName )

机器学习与算法及源码：秩和比法.zip

冲浪算法matlab代码冲浪 提升稀疏和低秩张量回归 arXiv 下载： 我们已经包含了代码的详细注释。 您可以先通过代码生成模拟数据，然后运行我们的 SURF 算法进行训练和测试。 该代码是使用 Tensorlab 工具箱为 MATLAB 编写的。 我们将很快发布一个 Python 实现。

将基于凸优化的低秩矩阵恢复（LRMR）理论用于背景建模，当背景不稳定时，这种方法提取运动目标的效果不佳。由于矩阵的数据表示形式破坏了视频在时间和空间上的原始结构，采用张量表征视频的高维结构特性，提出了一种基于迭代张量高阶奇异值分解（HOSVD）的运动目标提取方法。用高阶奇异值分解代替LRMR中的矩阵奇异值分解（SVD），利用增广拉格朗日乘子法重建出三维视频张量的背景部分和运动目标部分，并进一步对运动目标部分进行形态学开闭运算。实验结果证明，相比常用方法，该方法错分率更低，能更准确完整地提取运动目标。

这项工作涉及通过核范数最小化从其低维投影中恢复低秩矩阵。 % 最小化 ||X||*（Z 的核范数） % 受制于 A(X) = Y 我们同样使用分裂 Bregman 算法。 % 最小化 (lambda1)||W||* + 1/2 || A（X）-y || _2 ^ 2 + eta / 2 || WX-B1 ||_2^2 %W 是代理变量，B1 是 Bregman 变量Bregman技术的使用提高了我们算法的收敛速度，并给出了更高的成功率。 此外，即使对于少量线性测量可用的情况，重建的准确性也要好得多。

自适应阈值低秩近似（ALRA） 介绍 ALRA是一种在单细胞RNA测序数据中插入缺失值的方法，在提供的预印本“使用低秩近似法对scRNA-seq数据进行零保存插值”中进行。 给定一个scRNA-seq表达矩阵，ALRA首先使用随机SVD计算其rank-k近似值。 接下来，每一行（基因）都以该基因最负值的大小为阈值。 最后，矩阵被重新缩放。 该存储库包含用于在R中运行ALRA的代码。ALRA的唯一先决条件是安装随机SVD软件包RSVD，可以将其安装为install.packages('rsvd') 。 这些功能现在为已安装用户提供了一个标志use.mkl ，它可以大大加快基于默认rpca的版本的速度。 请注意，rpca-mkl仍在开发中，并且不在CRAN上，因此它不是必需的软件包，但是如果用户已经安装了rpca-mkl，则可以通过将该标志设置为True来使用它。 用法 请确保将矩阵为行，