矩阵的转置、行列式、秩，逆矩阵求法，矩阵的三角分解、qr分解，对称正定矩阵的乔里斯基分解及行列式值，奇异值分解，广义逆的奇异值分解，矩阵特征值与特征向量的各种计算方法。
2023/12/24 7:44:24
82KB
1
在MVG(多视图几何)和机器学习领域，求解线性方程组几乎是所有算法的根本，本文旨在帮助读者搞懂矩阵分解与线性方程组的关系，并给出利用SVD求解线性方程组的实战代码。
本资源是博文"【动手学MVG】矩阵分解与线性方程组的关系，求解线性方程组实战代码"的完整工程。
博文链接：https://blog.csdn.net/a435262767/article/details/108774141
本资源是博文"【动手学MVG】矩阵分解与线性方程组的关系，求解线性方程组实战代码"的完整工程。
博文链接：https://blog.csdn.net/a435262767/article/details/108774141
2023/11/2 19:13:07
842KB
1
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。
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。
2023/10/1 15:37:31
108KB
1
《矩阵分析（原书第2版）》从数学分析的角度阐述了矩阵分析的经典和现代方法，主要内容有特征值、特征向量、范数、相似性、酉相似、三角分解、极分解、正定矩阵、非负矩阵等.新版全面修订和更新，增加了奇异值、CS分解和Weyr标准范数等相关的小节，扩展了与逆矩阵和矩阵块相关的内容，对基础线性代数和矩阵理论作了全面总结同时还附加了一点数值分析的复习提纲
2023/9/10 2:17:35
85.87MB
1
运行于matlab下的人脸识别的全套源码，包括人脸数据库和非常详细的实验说明书（11页，带截图），根据说明能运行，能看懂代码；
采用的特征提取算法是奇异值分解，采用的分类器是神经网络；
希望对大家有帮助！
采用的特征提取算法是奇异值分解，采用的分类器是神经网络；
希望对大家有帮助！
2023/8/4 9:01:53
6.44MB
1
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。
2024-04-09 15:03
15KB