这个方法可以解出权重所有的解 可以代替梯度下降方法（也是暴力算法） 可以通过数据逐一筛选出数据通用解，或许是走向人工智能，神经网络（权重层）可解释性

sparse_sensing12 - 是函数代码sparse_sensing_example - 展示如何使用它。 x = sparse_sensing12(A,y,epsE) 由 Yoash Levron 教授撰写， 电气工程，以色列理工学院，2014 年 9 月。 此函数使用行数少于列数的矩阵 A 求解欠定方程组 Ax=y。 该函数定位“最稀疏”的解向量 x，即具有最少数量的非零元素的解向量。 如果存在稀疏解决方案，则该函数可以保证找到它。 功能输入： A - 传感矩阵（尺寸 M x N，其中 M<N） y - 已知输出向量（已知测量值的向量，（尺寸 M x 1） epsE - 解决方案的可容忍误差。 如果解向量 x 产生第二个范数大于 epsE 的错误，则该函数会抛出错误消息。 函数输出： x - 估计的稀疏向量（维度 N x 1）。 假设 x 最多有 2 个非零元素。 此

用高斯赛德尔方法求解线性系统的函数。 考虑线性系统模型： A*x=b ，函数 sintax 是： [x,execution_time]=itergauss(A,b,n) [x] 是解向量A 是问题的线性矩阵b 是已知项向量n 是迭代逼近的次数execution_time是解决系统所需的时间