在分析基于SVD的平稳信号降噪原理的基础上,提出了一种基于SVD的非平稳信号重叠分段降噪算法。非平稳信号通过数据分段可近似处理为多段平稳信号。为降低连续分段降噪误差,进行一定比例的重叠分段,应用基于SVD的平稳信号降噪方法对各分段信号进行降噪,相邻段之间的重叠信号经过多次降噪后求平均得到最终降噪信号。仿真结果表明,该算法具有良好的降噪能力且稳定性较好
2021-12-07 19:07:12
442KB
1
svd算法matlab代码IterFS
该存储库包含Ordozgoiti等人在ICDM
'16中描述的算法的Matlab实现。
该算法为“列子集选择问题”提供了近似解决方案。
用法
iter_fs(data,
k,
MAX_ITER,
ZERO)
data:
The
input
data
matrix
k:
The
number
of
columns
to
choose
MAX_ITER:
(Optional)
The
maximum
number
of
iterations
ZERO:
(Optional)
The
threshold
below
which
scores
are
set
to
zero,
to
avoid
numerical
issues
Output:
A
set
of
column
indices
indicating
the
ones
that
were
chosen
查看example.m作为示例。
为了获得更好的性能，建议使用SVD的优化实现。
作者：Bruno
Ordozgoiti
如果使用此代码，请引用以下论文：
Bruno
Ordozgoiti，Sa
2021-12-05 15:53:34
3KB
1
项目-SVD-DOA
电子系统综合设计课程的SVD-DOA系统设计项目
《电子系统综合设计》课程小组。
小组设计译文：基于SVD分解变换的DOA估计
本仓库用于小组代码，笔记，文档的共享和进度管理。
2021-12-02 16:44:09
23KB
1
文章目录1. 奇异值分解的定义与性质1.1 定义1.2 两种形式1.2.1 紧奇异值分解1.2.2 截断奇异值分解1.3 几何解释1.4 主要性质2. 奇异值分解与矩阵近似2.1 弗罗贝尼乌斯范数2.2 矩阵的最优近似2.3 矩阵的外积展开式3. 奇异值分解Python计算
一种矩阵因子分解方法
矩阵的奇异值分解一定存在，但不唯一
奇异值分解可以看作是矩阵数据压缩的一种方法，即用因子分解的方式近似地表示原始矩阵，这种近似是在平方损失意义下的最优近似
1. 奇异值分解的定义与性质
1.1 定义
Am×n=UΣVTUUT=ImVVT=InΣ=diag(σ1,σ2,…,σp)σ1≥σ2≥…≥σp≥0
2021-11-28 15:24:48
159KB
1
svd算法matlab代码基于阈值SVD的K-means用于主题建模
论文代码：
“”。
Trapit
Bansal，Chiranjib
Bhattacharyya，Ravindran
Kannan。
在神经信息处理系统（NIPS）中，2014年。
该文件提供了有关使用代码的有用信息。
首先，我们展示如何使用演示在各种标准公共数据集上运行算法。
要运行自己的数据，请检查以下数据格式，预处理步骤以及用于运行算法的主要matlab函数。
提供的代码已在Linux系统上的Matlab
R2012a
/
b上进行了测试。
对于错误/查询/建议/谢谢，请随时通过“
gmail
dot
com的trapitbansal”给我发送电子邮件。
运行演示
用当前目录作为代码目录打开Matlab，确保已将Matlab配置为可访问Internet，然后键入：
demo()
这将在NIPS语料库上运行该算法的演示。
此功能可以使用TSVD从指定的公共语料库中恢复主题。
语料库的其他可用选择是20-NewsGroup和UCI存储库上的任何语料库（即NIPS，ENRON，KOS，NYT，PUBMED）。
指定胼名
2021-11-24 10:33:08
18KB
1