基于加性高斯白噪声在经验模式分解算法（Empirical Mode Decomposition,EMD）下的统计特性,提出了一种基于EMD的去噪算法。通过数值仿真,比较了提出的算法与小波域阈值去噪的性能。仿真结果表明,该算法与小波域阈值去噪的效果相似,而不用选择小波基,是一种自适应的去噪算法。

此函数使用“部分枢轴”计算方阵的 PA=LU 分解。 标准调用是： [LUP b2]=lumy2(A,b); 其中A和b分别代表系统矩阵和已知项。 输出是：下和上三角矩阵 (LU) 和 P 是置换矩阵； 最后 b 表示置换的已知项。

该工具箱为MATLAB的EMD经验模态分解的工具箱，使用简单，可以基于此求希尔伯特黄变换和边际谱，详细帮助可以参考word文档。

分解质因数法求最大公约数 输入两个正整数 以空格隔开 即可求得

变异量子因式分解 介绍 该存储库包含Eric R. Anschuetz，Jonathan P. Olson，AlánAspuru-Guzik，Yudong Cao的文章“可变量子因式”中提出的算法的实现。 它在上。 代码中的符号直接指的是本文中的符号。 我讲了这个项目，这可能是一个很好的介绍。 您可以找到它并且幻灯片在presentation.pdf文件的此存储库中。 由于QAOA是算法的重要组成部分，因此，如果您不熟悉它，您可能会发现很有帮助。 要求 该项目严重依赖pyquil和grove库。 不幸的是，在我开发该项目时，发行版中存在一些对该项目至关重要的错误。 因此，我从源代码安装了它们： pyquil，提交sha： f22a851d5803e0a6aa73b236c25d28a5fcdb0116 格罗夫，commit-sha： dc6bf6ec63e8c435fe52b1e

农夫 正交非负矩阵分解的两种算法

这个工具包有两个主要目的。 1. Hermite-Gaussian 和 Laguerre-Gaussian 基中近轴光束的分解和可视化。 （这些函数位于子目录“transverse”中。） 2.通过包括两镜法布里-珀罗腔的光学系统传播此类光束。 （这些函数位于子目录“axis”中。） 还有一些其他的东西，包括根据渐近膨胀（给出艾里图案）表示的切趾（剪裁）高斯光束。 所有的函数都有注释和标题，应该能让感兴趣的人使用它们。 还有一组示例演示了基本功能。

矿物识别步骤 MNF变换 PPI计算 提取纯净像元 选取端元波谱 识别端元波谱 矿物分析 查看结果

深矩阵分解模型 “推荐系统的深矩阵分解模型”的实现 见论文： : 要求 可以按以下要求运行此代码，但不限于： Python= 3.5.3 张量流gpu = 1.5.0 numpy = 1.14.0 + mkl 上面要求的其他安装依赖性 使用例 指令说明已在代码中明确说明。 python Model.py 后记 作为学习者，代码中可能存在一些错误。 请随时告知。

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。