Sparse Subspace Clustering基于人脸分割的子空间聚类的原始代码。

稀疏子空间聚类算法的Python实现 稀疏子空间聚类是一种基于稀疏表示理论的技术的子空间聚类算法。 有关更多信息，请参见。 此实现基于提供的 。 要求-numpy，scipy，sklearn，cvxpy。 经过Python 3测试。 可以从安装cvxpy python软件包。 从SSC.py开始探索。 此文件中的SSC_test()方法提供了子空间群集的基本示例。 运行： python SSC.py 注意：此代码已投入大量精力。 如果您决定使用此代码，我非常感谢的电子邮件。

稀疏矩阵入门经典书籍，全英文书籍。对学习稀疏矩阵的计算方法以及各种方法的证明有着很大的帮助。

From Sparse Solutions of Systems of Equations to Sparse Modeling of Signals and Images

在二元数字通信系统中，假设为H1时，信源输出为常值正电压A，假设为H0时，信源输出为零电平；信号在通信信道传输过程中叠加了高斯噪声n(t)，每种信号的持续时间为（0,T)，在接收端对接收到的信号x(1)在（0,T)时间内进行了N次独立采样，样本为xk (k=1,2,···,N)。已知噪声样本nk是均值为零方差为的高斯噪声。

帕尔迪索 Pardiso.jl软件包提供了一个使用和的接口。 没有有效的PARDISO许可证或未安装MKL库，就不能使用Pardiso.jl 。 该软件包是免费提供的，绝不能替代或更改链接库的任何功能。 安装 该软件包本身是通过Pkg.add("Pardiso")安装的，但是您还需要按照以下安装说明安装有效的PARDISO库。 MKL帕尔迪索 默认情况下，Julia将自动为您的平台安装合适的MKL。 如果您想使用自行安装的MKL，请遵循以下说明： 设置MKLROOT环境变量。 请参阅，以有关如何正确设置此变量的完整指南，通常通过执行诸如source /opt/intel/mkl/bin/mklvars.sh intel64类的source /opt/intel/mkl/bin/mklvars.sh intel64或运行"C:\Program Files (x86)\IntelSWToo

This set of MATLAB files contain an implementation of the algorithms described in the paper "Sparse Reconstruction by Separable Approximation"

非常适合刚接触压缩感知磁共振成像的读者，压缩包里面代码完全公开，但不能用于商业用途。

omp算法matlab代码一种行之有效的双稀疏编码方法，AAAI-2018 arXiv论文在 目标 学习从生成模型$ y = A ^ * x + \ varepsilon $生成的样本$ y $中恢复稀疏字典$ A ^ * $。 数据和模拟设置 确定性，稀疏，正交字典$ A ^ * $ 稀疏，随机和不完整的字典 所需的Matlab软件包和/或库： 用于bipartite_matchings算法的gaimc 要将我们的算法与Trainlets进行比较，您需要下载并将其放在此文件夹中。 请注意，运行此程序需要一些库（mtimesx，omps等）。 怎么跑 设置要测试的算法的运行模式，然后运行run_simulation.m 。 接触 [Thanh Nguyen]（感谢iastate dot edu）

在现有的稀疏诱导到达方向（DOA）估计方法中，基于稀疏贝叶斯学习（SBL）的方法已被证明可以提高精度。 但是，当信噪比（SNR）相对较低时，这些方法的学习过程收敛非常缓慢。 在本文中，我们首先表明，独立信号的阵列输出的协方差矢量（协方差矩阵的列）共享与空间信号分布相对应的相同的稀疏度分布图，并且在中等快照数量时其SNR超过原始阵列输出的SNR。被收集。 因此，通过以高计算效率重构那些矢量，可以将SBL技术用于估计独立的窄带/宽带信号的方向。 经过适当修改后，该方法可扩展到窄带相关信号。 还提供了深入分析，以显示新方法在DOA估计精度方面的下限以及在独立信号的情况下可以分离的最大信号数。 仿真结果最终证明了该方法在DOA估计精度和计算效率上的性能。