通过var模型获得残差的协方差计算，利用乔里斯基方差分解技术进一步将其转换为下三角矩阵，可以用于计算变量间的风险溢出效应

背景 在球体上找到点的均匀分布的问题历史悠久。 它的出现通常归因于物理学家JJ汤姆森（JJ Thomson），他在创建了他的所谓的李子布丁原子模型之后于1904年提出了这一想法[1]。 因此，该问题涉及确定局限于球体表面的N个均等电荷粒子的最小能量构型，它们通过库仑定律[1]施加的力相互排斥。 尽管原子的李子布丁模型早已被人们忽略，但汤姆森提出的原始问题已在许多研究领域中重新出现，并在病毒形态学，晶体学，物理化学，地球物理学，声学，信号处理，计算机图形学和医学成像（例如，HARDI）。 本次提交的目的是为Matlab用户提供一组函数，用于生成统一的采样模式和单位球体的分解（请参见演示图片）。 主要功能说明 “ ParticleSampleSphere.m”：通过使用梯度下降来最小化N个带电粒子系统的广义静电势能，从而生成单位球体的近似均匀的三角形镶嵌。 在此实现中，粒子的初始配置基于球

针对双边滤波器灰度相似权函数易受噪声影响且在图像细节区域滤波存在盲目性的问题，提出一种新的图像三边滤波器用以过滤高斯噪声。通过局部结构张量奇异值分解估计图像的几何结构信息， 获得能够刻画图像内容差异的特征信息。在此基础上，设计基于图像特征分类的灰度相似权函数，同时通过引入结构相似权的方式将鲁棒的特征信息耦合到双边滤波器框架下，以保持更多的图像细节。利用三边加权提供更可靠的像素相似性度量方式，并采用局部自适应滤波参数选取方法进一步提高算法的滤波性能。实验结果表明，该滤波器在去除噪声的同时能够较好地保持图像的边缘、纹理等结构信息。

MATLAB下编写 附测试图像 方法简单有效 便于移植到其他平台

现有的链路预测方法的数据来源主要是基于邻居、路径和随机游走的方法，使用的是节点相似性假设或者最大似然估计，尚缺少基于神经网络的链路预测研究。基于神经网络的一些研究表明，基于神经网络的DeepWalk网络表示学习算法可以更加有效地挖掘到网络中的结构特征，已有研究证明DeepWalk等同于分解目标矩阵。因此，提出了一种基于矩阵分解的DeepWalk链路预测算法（LPMF）。该算法首先基于矩阵分解的DeepWalk算法分解得到网络的表示向量；然后通过余弦相似度计算每对节点之间的相似度，构建目标网络的相似度矩阵；最后利用相似度矩阵，在三个真实的引文网络中进行链路预测实验。实验结果表明，提出的链路预测算法性能优于现存的20余种链路预测算法。这充分表明了LPMF能够有效地挖掘网络中节点之间的结构关联性，而且在实际网络的链路预测中能够发挥出较为优异的性能。

matlab 编程选择运行仿真代码用于风电场控制的 Koopman 动态模式分解 获得机械工程理学硕士学位的论文 存储库 该存储库包含在上述硕士论文的背景下开发的所有工作。 这项工作的主要成果细分如下： Thesis.pdf ：对应于最终论文，介绍了风力涡轮机控制、风电场控制、流体动力学中的数据驱动建模、动态模式分解和适用于控制的变体算法。 所有结果也包含在本文档中。 Thesis_presentation.pdf ： Thesis.pdf内容的介绍。 ExtendedAbstract.pdf ： Thesis.pdf的 10 页摘要，采用两列格式。 poster_thesis.pdf：在Thesis.pdf的目标和结果的海报格式摘要。 KOPMAN_IODMD_1.0 : 源代码，在 Matlab 中开发，利用国家可再生能源实验室 (NREL) 开发的现有功能，用于在Thesis.pdf 中获得结果。 动画：可以可视化数据集的动画。 文章：基于论文中开发的工作发表的文章。 data ：包含用于测试Thesis.pdf 中提出的算法的数据集。 论文摘要 在风电场中将风力涡轮机安装在一起

求一类非线性分数阶Volterra积分微分方程数值解,给出了Adomian分解法.将Adomian多项式与分数阶积分定义有效结合,得到了Adomian级数解.收敛性分析证明了所得级数解收敛于精确解,并给出最大截断误差.结果表明:随着Adomian多项式个数的增加,数值解的精度也越来越高.数值算例表明了该方法的可行性和有效性.与已有的方法相比,Adomian分解法操作更有效、更方便.

分解信号重构Matlab代码子带图像压缩编码器 CPE 462图像处理和编码入门课程的最终项目，需要一个小组来开发涉及图像处理主题的应用程序，其中包括： 压缩，增强，分割，恢复或3D数据成像。 项目背景 在最近几年中，子带（或小波）图像编码技术变得非常流行。 一个主要原因是，在大多数情况下，它明显优于当前的JPEG图像编码标准。 实际上，基于子带的编码算法将成为下一代JPEG2000图像编码的基准。 项目实施 在这个项目中，我们在一个Matlab脚本中实现了一个子带图像编码器。 我们的脚本对典型的输入图像执行子带分解，标量量化和熵编码，并生成存储为数据文件的编码位流。 然后，解码器读取此编码文件，并执行熵解码和子带重构，最后生成与输入图像格式相同的重构图像。 它还计算重建图像的峰信噪比，以评估图像编码器的性能。 该脚本采用一个控制量化步长的输入，该参数最终将用于控制编码数据文件的大小（或压缩率）。 文件分解 subband_encoding_decoding.m -Matlab脚本，它接收单个.png并生成一个名为“ binary.txt”的比特流数据文件，以及从比特流数据文件中重建出

多张量 多层网络张量分解，用于社区检测，链路预测和度量层相互依赖性。 新版本：可以在找到新的更新高效的cpp和python版本。 在此链接中，您可以找到文档和用法示例。 因此，将不再维护该存储库中的代码，所有将来的新更新都将上载到新的存储库 。 实现以下算法： [1] De Bacco，C.，Power，EA，Larremore，DB，＆Moore，C.（2017）。 多层网络中的社区检测，链接预测和层相互依赖性。 物理评论E，95（4），042317。 如果使用此代码，请引用 。 预印本可在或找到。 如果您进一步对MultiTensor扩展感兴趣： ：用于合并节点属性 Contisciani M.，Power E.和De Bacco C.（2020）。 多层网络中具有节点属性的社区检测，《科学报告》 10，15736（2020）。 ：用于合并互惠 Safdari H.

主要介绍了Python实现将一个正整数分解质因数的方法,结合实例形式对比分析了Python计算正整数分解质因数的算法逐步改进操作技巧,需要的朋友可以参考下