非负矩阵分解（NMF）被证明是一种非常有效的分解方法，可用于数据分析中的降维，并且已广泛应用于计算机视觉，模式识别和信息检索中。 但是，NMF实际上是一种不受监督的方法，因为它无法利用有关数据的先验知识。 在本文中，我们提出了使用图拉普拉斯算子（CNMF-GL）进行约束的非负矩阵分解，该方法不仅利用了几何信息，而且还适当地使用了标签信息来增强NMF。 具体来说，我们期望图的正则化项能够保留原始数据的局部结构，同时具有相同标签和具有不同标签的数据点将具有相应的约束条件。 结果，学习的表示将具有更大的辨别力。 图像聚类的实验结果证明了该算法的有效性。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

矩阵论课件 矩阵论PPT（线性空间 内积空间 矩阵标准型 矩阵分解.....）

Matlab仿真EMD 经验模式分解在python中的实现 结果 航空公司乘客数据集时间序列上的示例输出 原始功能： IMF-1 IMF-2 残渣 依存关系： numpy scipy pandas 随时提出更改建议。 学分：

自己写的代码，不存在版权问题。近段时间在学机器学习，找了大量的资料，写出了一些与机器学习相关的常用矩阵的操作，含QR分解，相似对角化，提取特征值，奇异值分解，HouseHolder变换，施密特正交化等等，有注释，如果有问题可以私信本人，一起探讨。

公路工程质量目标细化分解方案终稿.pdf

分解信号重构Matlab代码降噪银河光谱 光谱数据去噪代码 目录 介绍 该存储库包含专为光谱数据的去噪设计的MATLAB代码和脚本。 所提出的方法通过利用稀疏表示（SR）学习框架，从其对应的噪声获取版本中合成了去噪频谱轮廓。 根据SR框架，可以将各种光谱图表示为从学习过的完整字典中得出的元素的稀疏线性组合。 依存关系 数据集 数据集包含模拟的宇宙学数据，这些数据是根据即将到来的欧几里得卫星星系调查建模的。 具体来说，该数据集包含13709个星系的全光谱能量分布（SED）示例，每个示例都在3750个波长为1.1-2.0微米的波长上对光谱轮廓进行编码。 我们利用7000个示例来训练耦合字典，并在其余示例上评估所提出方法的性能。 噪音条件 高SNR ：在Euclid的通量极限处，Ha线的峰值为3.5 sigma。 中等SNR ：在Euclid通量极限处的积分Ha通量为3.5 sigma。 这是官方调查规范。 低SNR ：在Euclid通量极限处的积分Ha通量处于噪声水平（sigma = 1）。 在此示例中，我们以中等SNR噪声条件进行实验。 辞典 关于字典训练阶段，我们基于ADMM稀疏耦合字

对ecg信号进行去噪，用到高通滤波器、低通滤波器、eemd分解，包含详细注释。并包括一个eemd分解函数。

eemd分解得到各阶imf分量对信号重构

svd分解matlab代码