matlab小波三级分解代码 很棒的PIV 与PIV（粒子图像测速仪）相关的存储库的精选列表。 Please send pull requests or raise issues to improve this list. 1.用于PIV的合成图像生成 ：用于粒子图像测速的合成图像生成。 2. PIV预处理 ：Python中的图像处理 ：开源计算机视觉库 3. PIV分析 ：OpenPIV由Python和Cython模块组成，用于编写脚本并执行一组PIV图像对的分析。 ：使用自适应PIV图像分析方法（也包括测试用例）对PIV图像进行存储库分析 ：使用Python进行粒子图像测速（和少量测试对） ：简单的PIV脚本（带有合成图像） ：（不错的笔记本） ：基于零均值互相关的简单粒子图像测速算法演示。 （通过仿射变换测试） ：Python和Matlab中的一种灵活且易于破解的粒子图像测速（PIV）代码。 （教育） ：Par2vel是用于执行粒子图像测速（PIV）的python工具箱。 它旨在研究和教育。 （教育） ：PyPIV是用于粒子图像测速（PIV）的python库，包括预处理和后处理功

数值分析计算实习第二题 QR分解法求解矩阵特征值 代码亲测可用

北航数值分析作业第二题 用带双步位移的QR分解法求矩阵的全部特征值，并对其中的每个特征值求特征向量。

目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型，提出一种新的负荷预测思路，即从传统频域预测方法的误差入手，通过研究虚拟预测误差的历史分布规律进行误差预测，然后对传统方法得到的预测结果进行修正。建立负荷预测的误差修正模型，并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性，达到了提高短期负荷预测精度的目的。

块坐标下降法matlab代码SNMF 我们 BSUM 算法的 MATLAB 代码，用于重现我们在 SNMF 研究方面的工作。 只需运行 main_compare.m，您将获得所有最先进算法的比较结果 要获得其他数字的结果，可能需要稍作修改。 参考： [1] 史清江、孙浩然、卢松涛、洪明义、梅萨姆·拉扎维耶恩. “对称非负矩阵分解的不精确块坐标下降方法。” arXiv 预印本 arXiv:1607.03092 (2016)。 1.0 版 -- 2016 年 4 月 作者：Haoran Sun (hrsun AT iastate.edu)

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。