2020年9月9日更新： 我尝试拉动并运行它，以发现它与最新的pytorch和Windows不兼容。 我将在下周更新它-现在不会运行。 -本 用法 该演示需要 。 首先，使用--help执行python run_demo.py来查看可选参数。 默认实验是带有MNIST的字典学习演示。 目的 该存储库的最终目标是提供一个稀疏的编码库，该库可实现用于（1）词典学习，（2）传统/凸代码推断（例如ISTA，SALSA）和（3）“展开”可学习编码器（例如，）。 现在，字典学习正在不断发展。 特别是，我正在构建结合了（2）和（3）的编码器类。 然后，我将概括用于形态学成分分析（MCA）的类，这是一种用于源分离的稀疏编码方法。 稀疏编码背景 用信号或图像的基本组成部分来表示通常很有用。 例如，笑脸可以有效地描述为“圆，两个点和曲线”。 至少，这比“像素1：值0.1。像素2：值1”更有效，以此类推。

matlab迭代阈值代码Sista-rnn 论文代码 [1] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“通过展开迭代阈值来建立顺序网络以进行顺序稀疏恢复”，ICASSP 2017，美国路易斯安那州新奥尔良，2017年3月 [2] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“使用顺序稀疏恢复的可解释的递归神经网络”，arXiv预印本arXiv：1611.07252，2016年。在NIPS 2016复杂可解释机器学习研讨会上发表系统公司，西班牙巴塞罗那，2016年12月 通过以下方式包含代码： Stephen J. Wright，Robert D. Nowak和Mario Figueiredo，可从以下网站获得 Salman Asif，可从以下途径获得 Martin Arjovsky，Amar Shah和Yoshua Bengio，可从以下网站获得 要复制论文的结果，请按照下列步骤操作： 下载可从以下网站获得的Caltech-256数据集 执行“ run_supervised.sh”脚本。 这将为所有其他功能加载和预处理Ca

matlab仿真故障代码基于集群稀疏编码的大型电力系统多事件分析 实时准确的事件分析对于高保真态势感知至关重要，这样可以在任何孤立的故障升级为级联停电之前采取适当的行动。 现有方法仅限于检测单个或两个事件或指定的事件类型。 所提出的基于集群的稀疏编码（ CSC ）算法可以提取多事件场景中涉及的所有底层单个事件。 先决条件 Matlab（在 Matlab R2015a 上测试） 数据集： “NPCC”试验台基于 28 GW 负载的 48 台机器（140 条总线）系统。 该模型代表了 NPCC 区域，覆盖了 ISO-NE、NYISO、PJM、MISO 和 IESO 的全部或部分。 这些模拟是基于“NPCC”测试平台完成的，它是真实系统的简化模型，使用电力系统工程模拟器 (PSS/E)。 基于NPCC测试数据集，我们生成了单事件案例（S1C）、双事件案例（M2C）和三事件案例（M3C）。 粗略地说，为每种类型的案例创建了 100 多个测试样本。 职能 主要功能 : 运行演示的主要功能 normalization.m : z-score 归一化 sparsecoding.m : 计​​算稀疏系

本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。 具体而言，从所有训练包的实例中学习字典。 包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。 因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。 有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。 其次，将分类器集合的结果用于预测。 与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

为了在函数空间内将多个三维模型进行关联,并在整个模型簇上进行协同分割,提出了一种基于点云稀疏编码的三维模型簇协同分割方法。首先,提取点云数据特征,将三维信息转换至特征空间;其次,用深度学习网络将特征向量分解成基向量,并构建字典矩阵及稀疏向量;最后,对测试数据进行稀疏表示,并确定点云模型中每个点所属的类别,将同类点划分到同一区域以得到协同分割结果。实验结果表明,算法在ShapeNet Parts数据集上的分割准确率达到了85.7%。所构建的协同分割算法能够有效地计算模型簇的关联结构,与当前主流分割算法相比,分割效果和准确率均得到提升。

1.版本：matlab2021a，我录制了仿真操作录像，可以跟着操作出仿真结果 2.领域：稀疏编码 3.内容：基于Lp范数求解正则化相关数据稀疏编码的matlab仿真+仿真录像

用与快速稀疏编码，matlab源码，不知道大家看过没

Efficient sparse coding algorithms对应源码，L1-norm约束

通过区分性稀疏编码从单个图像中去除雨水

这是稀疏编码的代码，里面包含了很多的常见的算法