矩阵的乔累斯基分解 设矩阵A为n阶对称正定矩阵，则A矩阵可分解为LL，即A= LL。其中，矩阵L是上三角矩阵。此时，这种分解就称为乔累斯基分解。在MATLAB中，乔累斯基分解由函数chol实现。

使用例如 Cholesky 分解的矩阵分解要求相关矩阵是正定的。 也就是说，特征值必须全部为正。 在金融中，这种情况很少发生，人们经常观察到负特征值或零特征值。 这两个函数本质上做同样的事情。 一个只调整 <= 0 特征值，而另一个调整这些特征值，但随后也会增加其他非负特征值以补偿给予较小特征值的更高“权重”。

基于Matlab实现的小波分解与重构源程序，对于时间序列的周期分析有重要意义

函数[x] = SOR_HW(A,b,x_0,omega)% 输入方阵A,b，初始x和omega的值格式长； N = 1000； %迭代次数n = 长度（A）； tol = 0.0001； x =零（n，1）; %将方阵A分解为三个矩阵：对角矩阵(D)； 严格下三角矩阵（L）； 严格上三角矩阵(U) D = 诊断（诊断（A））； L =-tril(A,-1); U = -triu(A,1); a = (D-欧米茄*L); 对于 i=1:N x = a\(((1-omega)*D + omega*U)*x_0) + omega*(a\b); 如果范数(x-x_0)<tol 休息; 结尾x_0=x; 结尾结尾

在研究脑电信号特性的基础上，提出了一种基于CEEMD-PE对脑电信号进行降噪的方法。完全集合经验模态分解（CEEMD）能够克服模态混叠的问题，因此，对脑电信号进行CEEMD分解，得到一组固有模态函数（IMF）分量，计算各个IMF分量的排列熵（PE）值，依据PE的值剔除基本为噪声的IMF分量，将降噪后的分量与保留的分量进行重构，得到降噪后的脑电信号。实验结果表明，用CEEMD-PE对脑电信号进行降噪，在抑制噪声的同时，还有效地保留了脑电信号的细节特性，去噪性能更好。

是一个子函数 可以分解接收信号为I路和Q路。

svd算法matlab代码基于采样的张量环分解方法 此仓库提供了用于本文实验的代码 一种基于采样的张量环分解方法。 奥斯曼·阿西夫·马利克（Osman Asif Malik）和史蒂芬·贝克尔（Stephen Becker）。 arXiv：2010.08581 可以从下载。 一些进一步的细节 脚本tr_als_sampled.m是用于张量环分解的建议TR-ALS-Sampled方法的Matlab实现。 脚本experiment1.m用于对合成数据进行实验， experiment4.m用于对真实数据进行实验。 以下文件提供了我们在本文中进行比较的方法的实现： tr_als.m ：标准TR-ALS算法。 rtr_als.m ：rTR-ALS算法。 TRdecomp_ranks.m ：这就是我们在本文中称为TR-SVD的东西。 这是TRdecomp.m的修改版本，可从网站获得。 tr_svd_rand.m ：这是TR-SVD的随机变体，在本文中称为TR-SVD-Rand。 要求 我们的tr_als_sampled.m需要mtimesx，可在以下位置找到。 我们还在此存储库的help_funct

基于混合像元分解的生物丰度指数提取，陈颖，陈绍杰，随着遥感技术的发展，遥感技术广泛应用于生态环境监测等方面。准确提取生物丰度状况，可以为遥感技术监测生态环境提供其可靠数据

压缩感知(cs)实现谐波信号分解 自适应计算信号稀疏度

基于MP的稀疏分解 原子有单一特征，可用于压缩去噪等