现有的除雪/雨水清除方法通常无法应对大雪/雨水和动态场景。 失败的原因之一是基于这样的假设，即在雪/雨场景中所有的雪花/雨条纹都很稀疏。 另一个是现有方法通常无法区分运动物体和雪花/雨纹。 为了解决上述问题，本文提出了一种基于矩阵分解的视频去噪和排水模型。 我们将雪花/雨条纹分为两类：稀疏的和密集的。 借助背景波动和光流信息，将移动物体和稀疏雪花/雨条纹的检测公式化为多标签马尔可夫随机场（MRF）。 至于浓密的雪花/雨纹，它们被认为服从高斯分布。 场景背景中的雪花/雨条纹，包括稀疏的和浓密的条纹，通过背景的低级表示来去除。 同时，我们模型中的组稀疏性术语旨在过滤运动对象中的雪/雨像素。 实验结果表明，我们提出的模型的效果优于最新的除雪和除雨方法。

MATLAB 包括 LDL 分解，但是它返回块对角矩阵 D 而不是对角矩阵 D。这些实现返回真正的对角矩阵 D。 该软件包包括两个 LDL 实现。 一种实现采用对称矩阵 A 并返回 [L, D] ： L*D*L' = ldl(A)。 每当您在 Gramian 矩阵 A 上运行 LDL 时，第二种实现都很方便： A=Z*Z'+Λ， 其中Z是一个可能较长（但较细）的矩形矩阵，而Λ是一个正则化对角矩阵（可以全为零，如果不需要的话）。 第二种实现方式使您不必显式存储潜在的大Z * Z'矩阵。 这两种实现都是教科书的实现，因此应该仅用于教育目的。

为避免传统的基于图像雅克比矩阵视觉伺服控制方法中深度信息的求取，克服机械手末端仅限于做微小运动的约束，设计了基于单应性矩阵分解的视觉控制器．根据对摄像机在不同时刻对同一平面所成图像间的单应性矩阵的分解，并通过中间图像插值筛选方法，确定其视觉控制器参数．最后，以Puma560机器人为例在Matlab／Simulink环境下进行系统仿真，其结果验证了该方法的有效性．

matrix_factorization_recommenders 推荐系统的低秩矩阵分解 Jupyter Notebook将与Recommender Systems的低秩矩阵分解一起发布。

基于凸优化的低秩矩阵分解算法

关于图像处理方面的方法 介绍的非常详细 看起来很明白

nmf的matlab代码

使用MATLAB实现NMF算法，是一种人脸特征提取的算法，基于非负矩阵分解

基于相邻矩阵分解的脑电特征提取与分类

电影推荐系统 数据集 用于此笔记本的数据集是MovieLens的1M额定数据集。 其中包含来自7120部电影和14025位用户的100万部电影评级。 该数据集包括： movieId 用户身份 评分 另外，电影的数据集包括电影名称和类型。 movieId 标题 体裁 数据集可以在这里找到： : 使用的方法： 非个性化推荐 这种建议很简单，但非常有用。 因为它们为用户解决了冷启动问题。 那就是在不了解用户的情况下，我们可以向用户提出一些建议。 在获得用户的评论或获得有关用户的其他信息之后，我们可以切换一些更高级的模型，如下所述。 在笔记本中， IMDB给出的公式用于根据各种流派来计算最佳电影，并且可以将这些电影推荐给任何新用户。 观看X的人最常观看的电影是 该推荐器采用的方法是查看所有观看了特定电影的用户，然后计算该组返回的最受欢迎电影的收益。 寻找类似的电影 不考虑内容（仅基于