【问题描述】实现两个多项式的运算（相加、相减）。 【基本要求】 （1）按照指数降序排列建立并输出多项式； （2）完成两个多项式的相加、相减，并将结果输出； （3）以顺序存储或链式存储结构实现多项式。

LDPC码中稀疏矩阵的LU分解算法，胡俊杨，黄荔杰，LDPC码是当前最接近香农限的信道编码算法，其纠错能力接近并有可能超越Turbo码。LDPC码的优越性能使其非常适合大量数据的广播系统应��

L1正则化技术F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w;x,y)+α∑i=1n∣wi∣假设w∗是损失函数J(w;x,y)最优解，J(w;x,y)在w∗处泰勒展J(w;x,y)=J(w∗;x,y)+J′(w∗;x,y)(w−w∗)+12!J′′(w∗;x,y)(w−w∗)2  ∵w∗是J(w;x,y)最优解，则J′(w∗;x,y)=0，则可以去除J(w∗;x,y)+12!J′′(w∗;x,y)(w−w∗)2J′′是二阶导数，当是高维的时候就变成了H矩阵了。J(w∗;x,y)+12!H(w−w∗)2∴F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w∗;x,y)+12!H

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。

电力网络稀疏算法基础

采用L形MIMO雷达对运动目标进行三维成像，首先分析了MIMO雷达发射阵 列的稀疏布阵方式，其次结合压缩感知理论具体阐述了基于稀疏阵列的三维成像方法!该方法在大幅减少L型MIMO雷达发射天线的条件下，实现了对运动目标的单次快拍三维成像

rpca matlab代码稀疏数据的快速随机PCA算法程序 最新更新提示： 1.我们将编译文件修改为更简单的版本。 用户可以使用“ source compile.sh”并选择“ icc”或“ gcc”编译器来编译程序。 2.我们在代码中添加了传递参数“ q”的注释，传递参数q应该大于1，并且q次传递等于（q-2）/ 2次幂迭代。 1.主要算法 1.matlab / eigSVD.m ----通过Matlab的[1]中的特征分解来进行经济/截断奇异值分解的算法，参数k用于截断奇异值分解 2.matlab / frPCA.m ----由Matlab在[1]中实现的用于稀疏数据的快速随机PCA算法，参数模式用于初始数据矩阵的不同大小 3.icc / frpca.c ---- [1]中的frPCA和frPCAt算法是通过ICC和OpenMP实现的，[2]中的基本rPCA包含在文件中。 2.测试实验 （1）ICC编译器或MKL库需要Intel MKL [3]的支持，并且在准备好所有内容后，运行“ source compile.sh”并选择编译器（“ icc”或“ gcc”），然后可执行程序将被编

LRSLibrary在MATLAB中提供了低秩和稀疏分解算法的集合。 该库专为视频中的背景减法/运动分割而设计，但也可以用于其他计算机视觉问题或将其改编。 当前，LRSLibrary总共包含103种基于矩阵和基于张量的算法。 LRSLibrary已在x86和x64版本的MATLAB R2013，R2014，R2015和R2016中成功测试。 有关更多信息，请参见： https : //github.com/andrewssobral/lrslibrary

lrslibrary：用于视频中背景建模和减法的低秩和稀疏工具

SPORF-稀疏投影倾斜随机森林（aka RerF，Rander Forest或Random Projection Forests）-是由开发的算法 类似于由开发的Random Forest-Random Combination（Forest-RC 。 两种算法之间的区别是随机线性组合的发生位置：Forest-RC在树级别组合特征，而RerF在节点级别组合特征。 配套 内存优化的RandomForest和RerF的C ++实现。 Python对packedForest的绑定。 RerF的R和C ++实现。