该代码是压缩感知重构算法子空间追踪（SP），代码注释很详细

针对现存行人重识别算法不能较好地适应光照、姿态、遮挡等变化的问题, 提出一种基于特征融合与子空间学习的行人重识别算法。该算法对整幅行人图像提取方向梯度(HOG)直方图特征和HSV(Hue,Saturation,Value)直方图特征作为整体特征, 再在滑动窗口内提取色彩命名(CN)特征和两个尺度的尺度不变局部三元模式(SILTP)特征。为了使算法具有更好的尺度不变性, 对原图像进行两次下采样, 再对采样后的图像提取上述特征。提取特征后, 采用核函数分别将原始特征空间转换到非线性空间, 在非线性空间内学习一个子空间, 同时在子空间内学习一个相似性度量函数。在3个公开数据集上进行了实验, 结果表明, 所提算法可以较好地提高重识别率。

图嵌入是降维方法研究的一个重要领域，该代码是经典图嵌入算法''局部图嵌入LGE算法''的matlab代码

Kyrlov子空间 定义为m维Krylov子空间 　μ为v的次数，即使得q(A)v＝０的非零首一多项式的最低次数 此空间维数未必是m,而是min(m u) u是r(0)的次数，若m>=u,则Km是A的不变子空间 若m小，显然m次，若m>u 则高于u次的A的幂作用于v可表示为低次的线组

二、子空间拟合方法 对 约束取某种形式，可得到不同子空间拟合法。 在特征结构方法中，有 个大特征值及其对应的特征矢量。 选取 则子空间拟合： MD-Music法

数据驱动随机子空间识别算法，可自动识别模态特征，包括频率、阻尼、振型

具有模态指标的随机子空间识别，包括一致模式指标和模态参与因子。 该函数不使用系统识别工具箱函数n4sid。 示例文件用于识别受高斯白噪声激励的 2DOF 系统，并为激励和响应增加了不确定性（也是高斯白噪声）。 函数 [Result]=SSID(output,fs,ncols,nrows,cut) 输入： output：输出数据大小（输出通道数，数据数） fs：采样频率ncols：hankel矩阵的列数（大于数据数的2/3） nows：hankel矩阵中的行数（超过20*模式数） cut：截止值=2*模式数 输出： 结果：结构由以下组件组成 Parameters.NaFreq : 自然频率向量Parameters.DampRatio : 阻尼比向量Parameters.ModeShape : 模式形状矩阵 Indicators.EMAC : 扩展模态幅度相干性Indicators.M

变量选择是分类中最重要的模型选择问题之一。 提出了一种新的基于局部偏最小二乘（KPLS）子空间中的最近邻（FNN）的方法，以选择简约变量作为非线性建模输入。 首先，将非线性输入简化为KPLS子空间的主要成分。 此外，它们的重要性的顺序是根据FNN在KPLS子空间中启发的距离度量确定的。 这样，识别出了不重要的变量。 最后，使用不同的参数模型研究了3个典型分类问题的变量选择。 结果表明，该方法对非线性模型约简是有效的。 因此，可以用于非线性系统的变量选择。

利用正交频分信号自身的结构特性，提出了一种基于子空间的载波盲同步方法：利用OFDM信号子空间与噪声子空间的正交性进行小数倍频偏估计；对小数倍频偏进行补偿后，根据整数倍频偏会引起信号自相关矩阵对角线上的非零元素在子载波间平移的特点进行整数倍频偏估计。给出了理论分析过程和仿真实验结果。仿真结果表明，该算法具有较大的频偏估计范围以及良好的估计精度，算法性能几乎不受信道条件及系统子载波调制方式影响，且该算法只需要较小的数据量就能获得稳定的频偏估计性能。另外，该文还对仿真中存在的实验误差来源进行了分析。

Matlab程式码GRASTA_MEX GRASTA的Mex版本（Grassmannian鲁棒自适应子空间跟踪算法） GRASTA是一种用于低秩子空间跟踪的有效在线算法，对于高度不完整的信息和稀疏的异常值都具有鲁棒性。 该项目为Matlab提供了C ++源代码及其mex接口。 我们代码的主要依赖项是Armadillo（）。 因此，您应该首先下载最新版本的Armadillo，然后根据Armadillo的说明正确安装。 然后打开Matlab并找到我们的grast_mex目录，运行make_mex.m脚本，它是一个简单的编译行，如下所示： 混合-O -I / usr / local / include grasta_mex.cpp grasta.cpp admm_solvers.cpp （您可以将“ / usr / local / include”更改为犰狳的路径，例如-I./armadillo.4.2.3） 成功编译mex文件后，您可以运行demo.m来测试可靠的子空间恢复问题。 ＃参考文献[1] Jun He，Laura Balzano和John CS Lui。 从部分信息进行在线鲁棒子