python编写的K-SVD稀疏字典学习去噪,可以显示字典的图像,去噪效果还行,还有待改进,有成绩可以及时交流。
2016/1/15 23:55:28 1.26MB 稀疏去噪
1
提出了一种基于CT-CZT-SVD的数字水印算法。
该算法利用CZT变换算法的高频窄带分析能力和奇异值的稳定性对CT变换获取的表示细节特征的图像高频分量进行混合处理。
实验表明,该算法通过提高频率分辨率及频谱锐化效果,能充分表达图像的细节信息,无效提升了水印图像的不可见性以及对常见的几何攻击、JPEG压缩等水印攻击的鲁棒性。
1
在现实生活中,往往存在着大量多维数据,例如视频流数据,文本数据,RGB图像等。
传统的方法往往通过某种方式将多维数据重新排列成矩阵方式,利用矩阵分析方法,例?蛔PCA,SVD,NMF,进行特征提取、聚类、分类等操作,这无疑破坏了数据原本的空间结构,增加了分析结果的不准确性,而张量在分析数据的同时,能够保持多维数据的空间结构不被破坏,这极大地引起了学者们的研究热情。
张量即多维数组,它是向量和矩阵在高维上的推广,目前被广泛应用在计算机视觉、数据挖掘、信号处理等领域。
本文着重研究三阶非负张量分解问题,回顾三阶张量的非负分解模型(NTVl,阐述了算法的思想及实现过程。
接着,从张量投影的角度出发,建立了基于张量投影的非负分解模型(NTPM),阐述了模型的想法,并给出了相应的算法公式。
在收敛性分析中,给出并证明了模型KKT条件的一个等价方式以及算法收敛性定理。
实验结果表明基于张量投影的非负分解模型,相比于原有的非负分解模型,在运行时间以及逼近误差上有了一定程度的改进。
最后,讨论了NTPM模型今后研究的方向。
2020/1/16 23:33:02 2.75MB 张量分解
1
是关于谐波恢复的ARMA算法,基于SVD-TLS确定AR阶数2p和系数向量,计较特征多项式的共轭根对进行谐波估计
2015/3/19 14:10:12 1KB ARMA
1
SIRT,LSQR,SVD算法程序中,M,N分别系数矩阵A的行数和列数(对于不同的方程,需本人改动此参数),反演得X分别放在文件SIRT_X.TXT,LSQR_X.TXT,SVD_X.TXT中(由程序自动生成)。
另:运行svd程序时,找到svd.c,打开编译运行即可。
附带一个A*X=B的测试文件,其中a.txt是测试方程矩阵的系数矩阵,x.txt为已知解,b.txt为测试方程右边的常数项。
分别用上面提供的三个反演算法程序,计算一下,将a.txt,b.txt作为已知输入程序,算出解X,再与x.txt中的已知真实解比较,即可看出哪种算法的精度高。
2018/7/2 23:31:33 9KB svd异值分解
1
svd算法的MATLAB实现,有完整的界面,可以手动设置阈值,属于课程资源。
2015/3/24 21:37:22 10KB SVD
1
做实验时找到的K-SVD算法的Matlab代码,很好用。
2016/1/21 10:28:51 5KB K-SVD 代码
1
SVD奇异矩阵分解在推荐系统中的应用python源码,感激原作者。
SVD的python实现,具体参考http://www.cnblogs.com/FengYan/archive/2012/05/06/2480664.html
2020/5/12 2:26:32 2.91MB SVD 奇异矩阵分解 推荐系统 python
1
大牛ELAD对于sparserepresentation的代码
2015/5/23 14:46:14 11.95MB sparse representation
1
基于改进K-SVD字典学习的超分辨率图像重构,很好,引荐
2017/3/25 13:35:58 446KB K-SVD算法
1
共 48 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡