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。

在高维插值中，我们面临“维数灾难”：当我们增加维数时，样本数呈指数增长。 减少这种影响的一种方法是使用稀疏网格。 当梯度信息可用时，例如来自伴随求解器，梯度增强稀疏网格提供了进一步减少样本数量的可能性。

Sparse Bayesian Learning，Basis Selection，稀疏贝叶斯学习算法，压缩感知，matlab仿真

数学计算库包含大量计算函数，包含稀疏线性方程组求解库cholmod

PyTorch套索 用于L1正则化最小二乘（套索）问题的PyTorch库。 该库正在进行中。 欢迎和赞赏的贡献！ 作者：Reuben Feinman（纽约大学） 乍看上去： import torch from lasso . linear import dict_learning , sparse_encode # dummy data matrix data = torch . randn ( 100 , 10 ) # Dictionary Learning dictionary , losses = dict_learning ( data , n_components = 50 , alpha = 0.5 , algorithm = 'ista' ) # Sparse Coding (lasso solve) coeffs = sparse_encode ( data , di

关于Relu文章的理解翻译，原文见paper：Deep Sparse Rectifier Neural Networks

A note on the group lasso and a sparse group lasso

matlab filter 代码