用C++写的十字链表稀疏矩阵报告和程序一起发了

本文在图像稀疏性先验的基础上#引入局部AC模型和非局部自相似性作为图像额外的先验信息#提出了非局部正则化的[+图像重建模型#并给出了相应的数值求解算法$

设计一个稀疏矩阵运算器。
实现两个矩阵相加、相减和相乘等的运算。
矩阵的输入输出均按通常的阵列形式

利用L1-SVD算法对信号进行稀疏重构，并且得到DOA估计，在信噪比低及信号相距很近时同样具有很好的效果

通过稀疏分解法实时获得图像对应的像素补丁patch，之后将补丁为该图像进行超分辨率的结果一部分，最后拼接

1.添加了20多个单目标进化算法和100多个单目标测试问题。
平台目前含有150个算法和339个测试问题，涉及单目标优化、多目标优化、超多目标优化、组合优化、大规模优化、约束优化、多模态优化、昂贵优化、稀疏优化和偏好优化，测试问题包含机器学习、数据挖掘、网络科学、信号处理、调度、经济和工程中的实际问题。
2.全新开发的整体框架和图形界面，带有更多的模块及更强大的功能；
3.基于标签的过滤系统，使用户可以准确地选择针对不同类型问题的算法；
4.更加方便的问题定义方式，用户无需编写独立的代码文件即可自定义问题；
5.更加多样化的结果展示方式，问题的真实前沿面和可行区域可随种群一起展示；
6.提供中文用户手册。

该程序是以色列科学家michael关于稀疏表示字典训练的一种算法仿真，并附有应用该字典进行图象去噪的实例.应用该程序可以按照readme中的提示一步一步完成，先安装sparse-codingoflargesetsofsignals文件夹中的内容,再安装ksvd程序就可以运行了.

基于图像分解的稀疏去噪及优化方法研究

抽象信道估计对于具有混合预编码的毫米波（mmWave）大规模MIMO是具有挑战性的，因为射频（RF）链的数量远小于天线的数量。
传统的基于压缩感测的信道估计方案由于信道角度量化而遭受严重的分辨率损失。
为了提高信道估计精度，本文提出了一种基于迭代重测（IR）的超分辨率信道估计方案。
通过梯度下降法优化目标函数，所提出的方案可以迭代地将估计的到达/离开角度（AoAs/AoD）移向最优解，并最终实现超分辨率信道估计。
在优化中，权重参数用于控制稀疏度和数据拟合误差之间的权衡。
另外，开发基于奇异值分解（SVD）的预处理以降低所提出的方案的计算复杂度。
仿真结果验证了该方案比传统解决方案更好的性能。

#3D_Garment_Tryon_System3D虚拟试衣系统随着网络的普及和虚拟现实技术的发展，三维虚拟试衣技术已成为国内外学术界普遍关注和研究的重要课题。
三维服装虚拟试衣系统(3DGarmentVirtualTry-OnSystem)主要包括四个部分：用户试衣时的人体识别、姿势检测；
三维虚拟人体模型的构建与匹配，三维虚拟衣物模型的构建，三维衣物在虚拟人体的着装试穿。
目前我们在三维试衣系统相关理论的基础上，从研究三维人体、衣物建模理论出发，结合物理模型、图形处理等方法，实现了以上四个部分，并对其中一些关键技术进行了研究。
人体识别和姿势检测的研究方面，针对精准度要求较高的情况，我们采用N-best人体识别模型，用深度置信神经网络来对模型进行训练，能够检测出图片中任意姿势各个身体部件；
针对实时性要求较高的情况，我们采用SVM模型，可以判断出几种常见的人们试衣时的动作。
三维虚拟人体建模中，首先我们建立集成于软件中的人体模型库，主要是使用专用的三维人体造型软件Poser，将其中人体模型导出为OBJ文件，再根据OBJ文件的存储格式，提取出人体曲面的顶点信息，然后采用稀疏表示和三角剖分技术，利用一个个小三角形来逼近人体各部件的曲面；
而用户人体模型则是根据用户输入的人体信息，查找模型库中相匹配的人体模型并进行一定调整，最后结合检测到的用户姿势来展示用户特定的人体模型。
对于虚拟试衣，通过衣片三角剖分优化、二维到三维的转化、三维衣片虚拟缝合，构建了简单的衣物模型，基于碰撞检测技术，研究并实现了衣物虚拟穿在了人体模型身上的真实样子，如有褶皱、垂悬等等效果。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。