多视图聚类旨在综合利用视图数据中的一致信息和互补信息实现对数据的划分, 但各视图表征数据的能力参差不齐, 甚至有的视图可能含有大量的冗余和噪声信息, 不仅不能带来多样的信息, 反而影响聚类性能. 本文提出了自适应加权的低秩约束的多视图子空间聚类算法, 通过自适应学习的方式给各视图赋予不同权重来构造各视图共享的潜在一致低秩矩阵. 并且提出了有效的可迭代优化算法对模型进行优化. 在5个公开数据集上的实验结果表明所提算法的有效性.

LDPC 码（非满秩或满秩奇偶校验矩阵）的编码。 codeWord = ldpcEncoding(H,u): 输入变量： H：奇偶校验矩阵。 u：信息位向量。 输出变量： 码字：为信息位向量 u 生成的码字。

视频背景分离以及前景提取广泛应用于场景分析、目标追踪等领域。而鲁棒主成分分析(RPCA)则是实现视频背景与前景分离的重要技术之一。但是,用核范数来近似秩函数的传统RPCA模型在处理含有较大奇异值的图像时效果并不理想。为了解决这一问题,提出一种新的非凸函数来近似秩函数,对基于核范数的RPCA模型进行改进,并应用增广拉格朗日乘子法求解改进的模型。实验结果表明,与传统的RPCA及现有的一些改进模型相比,提出的基于非凸秩近似的RPCA模型计算效率更高,且图像分离效果更好。

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

张量的n-秩近似 * 截断的Tucker分解：秩- 近似

结合低秩矩阵分解的带状噪声模型用于高光谱图像去噪

matlab说话代码使用低秩近似进行快速图像去模糊 小组项目CSE / ECE 478指南，季风2018 步骤1：提交项目偏好 在您的团队中分配一个项目协调员，并请他/她填写以下表格。 注意：仅输入项目ID作为首选项，而不输入项目标题： 注意：确保为该项目提交一个表单。 例如，如果一个项目有3个团队成员，请确保只有一个项目成员提交表格-请勿3次提交表格！ 否则将延迟最终项目列表的发布。 如果您打算进行上面未列出的项目，则仍需要使用偏好填写表格。 这样，如果您提出的项目不可行，那么您将有一个备份。 在这种情况下，请确保填写您建议的项目的标题。 团队的项目分配将按照先到先得的原则进行（即，如果两个团队具有相同的优先级，则平局决胜将基于提交的时间戳记）。 在不太可能的时间戳相同的情况下，平局决胜将是随机选择。 如果所有偏好都被占用（由于上述标准），则将从没有任何组选择的项目列表中随机分配一个项目。 如果您对项目及其范围有任何疑问，可以与助教/讲师讨论。 提交后，任何情况下都不能更改项目/首选项。 与您的队友讨论并仔细考虑，然后再提交表格。 项目清单：9月20日，下午5.30 提交表格的截止日

“k秩”融合协作频谱感知算法中最优k值的判定，李茜，宋铁成，在认知无线网络中，

漫谈高数系列，共十篇，供参考性阅读。文章来源于网络下载，备忘如此。

书名：若干低秩子空间恢复模型的闭解及其应用 作者：林宙辰（北大）