(完整word版)基于GA和MP的信号稀疏分解matlab程序.doc

基于八叉树分解的三维重建，原始数据需要有法向量.

基于经验模态分解法（EMD）的Hilbert-Huang变换（HHT）的MATLAB程序。 可将非平稳信号转换为平稳信号，通过将IMF分量累加重构得到平稳信号 。 主程序为HHT.m，需要用到hhspectrum.m函数、instfreq.m函数（在压缩包内）和已安装的EMD工具箱中emd函数。

为解决分块并行Cholesky分解过程中各处理器间的负载平衡问题,分析了算法的下三角矩阵特性以及各轮循环和循环内部各步骤基本计算任务之间存在的依赖关系,以各步骤的矩阵块基本计算任务为顶点,任务间的依赖关系为有向边,构造有向无环图,并根据有向无环图的性质建立二级队列,然后利用该队列对就绪任务进行排队,实现任务的动态调度.研究结果表明:在矩阵块数不是非常大的情况下,该算法在时间性能上比传统的分块并行Cholesky分解算法具有明显的优势.

一个好的任务分解工具，简单实用, WBS CHART 英文版的

每个代码都可以运行哦 运行环境我的是VC6.0 数值分析C++源码-二分法,迭代法,牛顿法,高斯消元法,高斯先列主元消元法,高斯全主元消元法,标度化列住院消元法,直接三角分解法,道立特分解法,改进的平方根法,平方根法,雅克比法,高斯赛德尔迭代法,牛顿插值法,拉格朗日插值法,最小二乘法,牛顿插值

PQ分解法电力系统潮流计算，本程序采用c#语言编写。由于只是学习算法，故采用的是控制台应用程序。本程序是从”哈尔滨工业大学电力科学与新技术研究所“ c++版本的PQ分解法程序（请google搜索下手在）直接翻过来的，只做了少量修改。数据格式请参考C++版的程序。c#版由eaide在CSDN首发，转载请注明出处！

高光谱分解 卷积神经网络的高光谱图像分解（无分叉，半成品） 说明 先决条件 Python 3.8 TensorFlow 2.3.0 建议使用conda创建虚拟环境并使用以下命令安装依赖项： pip install -r requirements.txt 用法 在设置参数后，在终端中输入以下命令： python run.py 更多细节： 使用python run.py -h获取更多参数设置详细信息。 数据集 我们提供了两个处理后的数据集：数据集中的Jasper Ridge（jasper），Urban（urban）/ data.npy：高光谱数据文件。 data_gt.npy：基本事实文件。 data_m.npy：端成员文件。 更新：2021年2月10日

进行Lu分解，可以很好的求解方程，尤其对于矩阵维数很大时，可以避免一般的求逆带来的误差。

电力负荷预测是电力系统规划的重要组成部分。为了使电力系统安全经济平稳的运行，由此特别需要精确的电力负荷预测方法。为了实现更好负荷预测方法，文中将经验模态分解（EMD）与新兴的电力负荷预测模型分形理论相结合，提出了EMD-分形负荷预测模型。为了证明此方法的有效性，文中将这种新的预测模型跟分形预测模型和BP神经网络预测模型相比较。最终通过仿真算例说明了本文提出的这种新型预测方法精度更高，几乎所有的误差都在2％以下，预测结果更好，可以很好的应用在电力系统负荷预测中。