svd算法matlab代码randQB_auto 固定精度低秩矩阵逼近的随机QB分解。 该软件包包括用于randQB_EI和randQB_FP算法的Matlab代码。 它们是用于固​​定精度低秩矩阵逼近的有效随机算法。 还包括Yu Wenjian，Yu Gu和Li Yaohang Li撰写的“固定精度低秩矩阵逼近的有效随机算法”一文中用于运行实验的测试用例和脚本。 主要算法 randQB_EI_auto.m-randQB_EI算法的固定精度版本 randQB_FP_auto.m-randQB_EI算法的固定精度版本 randQB_EI_k.m-randQB_EI算法的固定秩版本 randQB_FP_k.m-randQB_EI算法的固定秩版本 randQB_FP_svd.m-使用randQB_FP算法计算k位截断的SVD 辅助比较算法 basicQB.m-[1]中的基本randQB算法（固定排名） randQB_b_k.m-[2]中被阻止的randQB算法（固定排名） AdpRangeFinder.m-自适应随机测距仪算法（固定精度）[1] singlePass2011.m-[1]中的单

为消除非受控训练环境中光照/表情变化的不利影响,控制部分遮挡/伪装对人脸图像的破坏程度,提出了一种基于低秩矩阵恢复的字典优化设计,以增强稀疏表示人脸识别的性能.首先对存在非受控干扰成分的训练字典进行低秩矩阵恢复,获得相对"干净"的训练图像进行特征提取;接着采用分块相似性先验嵌入稀疏编码的方法实现对人脸图像的分类.实验结果表明,通过改进稀疏编码字典的鉴别能力,系统能更有效地抑制光照、表情、遮挡/伪装的影响,其识别的稳健性和鲁棒性得到了明显提升.

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

低秩矩阵 鲁棒主成分分析 RPCA算法研究 matlab

基于低秩矩阵恢复与协同表征的人脸识别算法.pdf

将基于凸优化的低秩矩阵恢复（LRMR）理论用于背景建模，当背景不稳定时，这种方法提取运动目标的效果不佳。由于矩阵的数据表示形式破坏了视频在时间和空间上的原始结构，采用张量表征视频的高维结构特性，提出了一种基于迭代张量高阶奇异值分解（HOSVD）的运动目标提取方法。用高阶奇异值分解代替LRMR中的矩阵奇异值分解（SVD），利用增广拉格朗日乘子法重建出三维视频张量的背景部分和运动目标部分，并进一步对运动目标部分进行形态学开闭运算。实验结果证明，相比常用方法，该方法错分率更低，能更准确完整地提取运动目标。

这项工作涉及通过核范数最小化从其低维投影中恢复低秩矩阵。 % 最小化 ||X||*（Z 的核范数） % 受制于 A(X) = Y 我们同样使用分裂 Bregman 算法。 % 最小化 (lambda1)||W||* + 1/2 || A（X）-y || _2 ^ 2 + eta / 2 || WX-B1 ||_2^2 %W 是代理变量，B1 是 Bregman 变量Bregman技术的使用提高了我们算法的收敛速度，并给出了更高的成功率。 此外，即使对于少量线性测量可用的情况，重建的准确性也要好得多。

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

结合低秩矩阵分解的带状噪声模型用于高光谱图像去噪

最近，提出了一种贪婪算法，称为最小秩近似原子分解（ADMiRA）。 当矩阵的秩已知时，它解决了低秩矩阵近似问题。 然而，在实际应用中，矩阵的等级通常是未知的。 本文基于最小秩逼近的原子分解，提出了一种用于低秩矩阵完成的秩自适应原子分解算法（RAADLRMC）。 RAADLRMC的优点在于，当未给出矩阵的参数rank-r时，它可以工作。 此外，自适应地减小迭代的步长，以提高效率和准确性。 如我们的实验所示，我们的算法是鲁棒的，并且矩阵的秩可以被准确地预测。