详细介绍了流体力学中的有限元方法及其快速迭代技术，针对流体方程开展方程离散化，并对形成的矩阵方程开展加速求解技术，该类方法为有限元在其他领域(电磁场、力学等)的应用提供了较好的借鉴。

基于压缩感知（CS）的磁共振成像（MRI）是一种利用磁共振（MR）图像的稀疏性的快速成像技术，经典CS-MRI重建数学模型是在包含线性合成非平滑正则约束下的最优化问题。针对重建模型中的线性合成正则项提出利用原始-对偶框架同时求解原始-对偶问题，对原始-对偶问题的增广Lagrangian形式求解其最优解，提出了一种原始-对偶迭代重建算法；对于非平滑正则项的处理，提出使用Moreau包络进行平滑近似，然后利用近似算子得到平滑近似函数的导数形式。用体模图像和真实MR图像，与共轭梯度算法（CG）、算子分离算法（TVCMRI）、变量分离算法（RecPF）和快速混合分离算法（FCSA）进行比较，表明该算法重建效果最好，算法复杂度与最快的FCSA算法相当。

matlab迭代阈值代码Sista-rnn 论文代码 [1] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“通过展开迭代阈值来建立顺序网络以进行顺序稀疏恢复”，ICASSP 2017，美国路易斯安那州新奥尔良，2017年3月 [2] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“使用顺序稀疏恢复的可解释的递归神经网络”，arXiv预印本arXiv：1611.07252，2016年。在NIPS 2016复杂可解释机器学习研讨会上发表系统公司，西班牙巴塞罗那，2016年12月 通过以下方式包含代码： Stephen J. Wright，Robert D. Nowak和Mario Figueiredo，可从以下网站获得 Salman Asif，可从以下途径获得 Martin Arjovsky，Amar Shah和Yoshua Bengio，可从以下网站获得 要复制论文的结果，请按照下列步骤操作： 下载可从以下网站获得的Caltech-256数据集 执行“ run_supervised.sh”脚本。 这将为所有其他功能加载和预处理Ca

nmf的matlab代码SDGNMF 用于图像共聚的稀疏双图正则化NMF 此存储库实现了Jing Sun等人针对“稀疏双图正则化NMF进行图像共聚”提出的聚类算法的迭代更新过程。此代码在人脸上进行聚类实验（ORL-32和PIE-pose27 ）和对象（COIL20）数据集以获得AC和NMI，然后验证SDGNMF的聚类有效性。 此外，该代码还可以显示我们的稀疏性研究和运行时间，以便与其他基于NMF的聚类方法进行比较。 依存关系 该代码支持Matlab。 跑步 主目录 下载本文 引文 如果您认为此代码有用，请引用： 孙静，王志辉，孙富明，李浩杰*。 用于图像共聚的稀疏双图正则化NMF。 神经计算，2018，316（NOV.17）：156-165。

iterative_closest_point_2d 受启发 #usage像这样打电话， ret = icp ( d1 , d2 ) 。 d1, d2是2d点的numpy数组。 返回值ret是具有2行3列的转换矩阵。 icp估算旋转，移动，缩放（分别x和y）转换。

通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

icp 关于使用Python的迭代最近点的教程 此处已实现以下内容： 使用最小二乘法和高斯-牛顿法已经完成了基本点到平面的匹配 仅使用高斯-牛顿进行点对点匹配 所有重要的代码段都在basicICP.py中。 主要功能是： icp_point_to_plane icp_point_to_point_lm icp_point_to_plane_lm Transformation.py已用于使点云变形，以便我们可以验证基于ICP的注册。 我们只有一组点云及其对应的法线向量作为输入。 那是使用distance.py变形的。 然后将其注册到basicICP.py。 这为我们提供了一种验证ICP结果的简便方法。 transformations.py已经从采取 basicICP.py中给出了如何使用代码的示例 fileOriginal = '/icp/data/original.xyz

在相机位姿估计的实际应用中，参考点的坐标数据不可避免地包含了测量误差，其量值大小通常不会完全一致，如果不区别测量误差直接进行相机位姿估计，将可能导致估计结果与真值相差甚远。为此，在广泛应用的正交迭代算法基础上，提出了相机位姿估计的加权正交迭代算法，该方法以加权共线误差为目标函数，根据像面重投影误差确定权重系数取值，优化相机位姿估计结果，具有精度高、稳健性好等优点，且满足全局收敛条件。数值仿真实验与风洞迎角实验的结果表明，本文算法更加有效，能够抑制不同程度测量误差对相机位姿估计结果的影响，所得结果明显优于正交迭代算法，具有较强的工程实用价值。

为提高移动机器人对特定轨迹的重复跟踪能力，提出了采用开闭环PD型迭代学习控制算法对移动机器人进行轨迹跟踪控制的方法。建立了包含外界干扰的非完整约束条件下的轮式移动机器人运动学模型，给出了系统的控制算法和控制结构。仿真结果表明，采用开闭环PD型迭代学习控制算法对轨迹跟踪是可行有效的，收敛速度优于其他迭代学习算法。

为了研究数据压缩的协作通信编码，提出一种联合信源信道的LDPC编码方案，并设计了一种迭代解码的中继框架。首先，源节点借助一个中继节点向目的地节点发送相关内容，并在两个节点处应用分布式联合信源信道的LDPC编码；然后，基于矩阵运算在源节点处进行LDPC源编码，将LDPC信道编码应用于中继处，通过噪声信道将相应的码字转发到目的地；最后，利用剩余信源相关性和信源-中继相关性，提供对信源序列的最佳估计。实验结果表明，与其他类似中继编码方案相比，所提方案在误比特率方面具有较大改善，对于中等和较低的错误概率，性能表现稳健，并且当错误概率低于0.05时，所提方案表现出与无错误环境相似的性能。