基于SVD的人脸识别，可以直接计算出识别正确率

可用来解线性方程组，非常方便，实用。内实现了SVD的算法，并给出了解线性方程组的例子

该资源主要为模型初学者提供海量训练数据，并可结合csdn发表的博文执行学习。对应博文：https://blog.csdn.net/lihonst/article/details/121303696

【图像隐藏】基于DWT与SVD算法的数字水印图像隐藏matlab源码.zip

为提高水印鲁棒性, 将离散小波变换DWT、奇异值分解SVD和斐波纳契Fibonacci变换结合, 提出一种新的算法。首先, 用Fibonacci变换对拟嵌入的水印进行置乱处理; 然后, 对宿主彩色图像R、G、B三个分量进行二级小波变换和基于4×4分块的奇异值分解, 并用混沌序列选择若干对子块; 最后, 根据人类视觉系统HVS特性对三个分量分配嵌入量、确定嵌入强度, 并通过修改每对子块最大奇异值来实现水印嵌入。实验结果表明本方案具有良好的水印不可见性和鲁棒性。

svd算法matlab代码无级变速器 奇异值阈值“ SVT”（旧版代码） 这是从SVT网站上获得的; 请访问该网站以获取有关SVT用途的信息。 该存储库包含MATLAB代码以及C / mex代码，因此必须与编译器一起安装。 具体来说，这些文件取自该处的最新软件包，并于2019年6月开始进行更新以与最新的OS和Matlab版本兼容。 该软件包未得到积极维护，SVT并非始终是最好的最新算法，但是我们会尽力提供部分支持。 除了PROPACK的代码外，EmmanuelCandès和Stephen Becker为SVT编写的原始代码。 PROPACK的此变体已在许多其他矩阵完成代码中重复使用。 由Stephen Becker维护（电子邮件：firstname.lastname @ colorado.edu） 编译说明 下载整个存储库，然后转到SVD_utilities子目录，然后在MATLAB中运行install_mex.m 。 使用test_MEX.m和test_PROPACK.m测试。 然后返回到父目录并运行Test_SVT.m 注意：我们已经包含了针对几种架构的预编译二进制文件。 您可能需

svd算法matlab代码主成分分析（PCA）实验 主成分分析（PCA）非常有用，并且是统计和机器学习中常用的算法之一。 该工具被广泛用于各种应用中，例如用于可视化和分析的降维，压缩，离群值检测和图像处理。 PCA是我最喜欢用于各种任务的工具之一，通常用于可视化目的。 但是，我意识到，一直以来，我一直只是将其用作黑匣子，对它的概念只有很浅的了解。 因此，这激发了我使用PCA的自定义实现创建此存储库的动力。 请注意，此存储库无意描述有关PCA的完整详细信息。 仅显示一些python代码以帮助更好地了解其计算方式。 为了获得更好，更全面的资料，我发现“主成分分析教程” [1]非常有用。 关于PCA 简而言之，该方法对角化输入数据的协方差矩阵。 对角矩阵的属性是所有值都是零，除了对角线上的值必须为非零。 该方法假定输入数据的变量之间存在线性关系，并且删除了它们之间的关系。 有几种计算PCA的方法： 通过协方差矩阵-当特征数比记录数下这是非常有用的。 而且更容易解释这种方法。 通过标产品矩阵-当特征数比记录数较高，这是有用的。 通过奇异值分解（SVD） -这种方法在实践中使用最多（Scikit

svd算法matlab代码基于采样的张量环分解方法 此仓库提供了用于本文实验的代码 一种基于采样的张量环分解方法。 奥斯曼·阿西夫·马利克（Osman Asif Malik）和史蒂芬·贝克尔（Stephen Becker）。 arXiv：2010.08581 可以从下载。 一些进一步的细节 脚本tr_als_sampled.m是用于张量环分解的建议TR-ALS-Sampled方法的Matlab实现。 脚本experiment1.m用于对合成数据进行实验， experiment4.m用于对真实数据进行实验。 以下文件提供了我们在本文中进行比较的方法的实现： tr_als.m ：标准TR-ALS算法。 rtr_als.m ：rTR-ALS算法。 TRdecomp_ranks.m ：这就是我们在本文中称为TR-SVD的东西。 这是TRdecomp.m的修改版本，可从网站获得。 tr_svd_rand.m ：这是TR-SVD的随机变体，在本文中称为TR-SVD-Rand。 要求 我们的tr_als_sampled.m需要mtimesx，可在以下位置找到。 我们还在此存储库的help_funct

介绍SVD的由来、原理和应用，最后还有一个应用的实例

针对人体行为识别问题，提出一种基于径向基函数（BP）神经网络的人体行为分类算法。首先，利用奇异值分解（SVD）算法提取视频每一帧的奇异值，将每一帧的奇异值按照行拼接起来即为一个视频的样本，样本按照行排成样本矩阵；然后，利用主成分分析（PCA）对得到的矩阵进行去相关并且降低维数，降低维数的矩阵再进行线性鉴别分析（LDA），使样本变得线性可分；最后，利用BP神经网络对样本进行分类；实验结果表明，与采用最近邻分类和K近邻分类（kNN）相比，所提算法具有更高的识别率。