LMSVD 是一种 Matlab 求解器，用于计算相对较大矩阵的截断（显性）奇异值分解。 该代码使用子空间优化技术来实现经典同时子空间迭代方法的显着加速，并且通常比 Matlab 的默认函数“svds”快得多。 如果您在已发表的作品中使用LMSVD，请参考以下文章。 Xin Liu、Zaiwen Wen 和 Yin Zhang，Limited Memory Block Krylov Subspace Optimization for Computing Dominant Singular Value Decompositions，SIAM Journal on Scientific Computing，35-3 (2013)，A1641-A1668。

在使用ArcGIS10.2.1或10.2.2及10.3以上版本时，可能会出现中文字段名称被截断，不能超过3个汉字的问题。此工具可以自动识别arcgis版本并一键写入注册表，实现arcgis可以支持导出5个汉字的字段名的shp文件。

Matlab 不允许说我们适合数据集的分布被截断。 在高斯分布的情况下，Matlab 只计算均值和西格玛，并将它们用作 pdf 的参数，但是如果从一侧切割分布，则这不起作用，例如当您的测量值低于某个检测值时限制。 然后拟合分布将发生偏移。 这里我举一个小例子，如何在这种情况下进行拟合。

% 函数 X = TruncatedGaussian(sigma, range) % X = TruncatedGaussian(sigma, range, n) 生成一个大小为 n 的伪随机向量 X，X 是从 RANGE 中截断的高斯分布中抽取的； 并且满足 std(X)=sigma。 RANGE 的形式为 [left,right]，定义 X 所属的刹车。 对于标量输入范围，刹车是 [-RANGE,RANGE]。 如果输入 SIGMA 为负，则 X 将被迫具有与具有标准偏差 -SIGMA: N(0,-SIGMA) 的无界高斯分布函数相同的“形状”。 它类似于调用 RANDN 并丢弃 RANGE 之外的值。 在这种情况下，截断高斯的标准偏差将不同于 -SIGMA。 *有效*平均值和有效标准偏差可以通过调用获得： [X mean Effective sigma Effective]

LRSD-TNNSR 这为论文“通过截断核范数和稀疏正则器进行低秩和稀疏矩阵分解”提供了MATLAB代码实现。 文件夹“ LRSD-TNNSR”包含以下三个子文件夹的代码：- 合成数据：包含合成数据的实验，您可以运行“ demo.m”以取得示例结果。 面部图像阴影去除：包含面部图像阴影去除的实验，您可以运行“ demo.m”以取得示例结果。 视频背景减法：包含视频背景减法的实验，您可以运行“ demo.m”以取得示例结果。 参考文献：薛Z，董建，赵Y，等。 Vis Comput（2018）。 如果您对此软件包有任何疑问或意见，或者想报告任何错误或意外错误消息，请发送电子邮件至 。

一种截断小样本的时变Copula模型的变结构点的诊断，徐晓环，杨湘豫，基于Copula函数对时间序列的相关性具有独特优势，进行二元正态Copula-GARCH(1,1)建模。提出了将整体时间序列的样本截断成小样本，分别用t

此代码实现了基于非单调截断牛顿法的无约束优化算法。 在每次迭代中，使用基于共轭梯度算法的截断牛顿法来寻找搜索方向； 沿搜索方向的步长是使用 Armijo 线搜索方法的非单调概括计算的。 该算法是“A Truncated Newton Method with Nonmonotone Line Search for Unconstrained Optimization”、L. Grippo、F. Lampariello 和 S. Lucidi 中提出的工作的详细实现。 有关非单调线搜索算法的更多信息，请访问我的主页http://www.marioantonelli.it/ 。

教育精品资料

与使用 Matlab svd 和 svds 函数处理矩形矩阵相比，截断奇异值分解 (SVD) 和主成分分析 (PCA) 快得多。 对于长矩阵或细矩阵，svdecon 是 svd(X,'econ') 的更快替代方法。 对于其中 k << size(X,1) 和 size(X,2) 的密集长矩阵或薄矩阵，svdsecon 是 svds(X,k) 的更快替代方法。 还实现了两个 svd 函数的 PCA 版本。 --- 函数 [U,S,V] = svdecon(X) 函数 [U,S,V] = svdecon(X,k) 输入： X : mxn 矩阵k ：获取前 k 个奇异值（如果未给出 k，则 k = min(m,n)） 输出： X = U*S*V' 你：mxk S : kxk V : nxk 描述： svdecon(X) 等价于 svd(X,'econ') svdecon(X,k) 等价

此函数实现了快速截断的 SVD。 我们经常想计算奇异值分解。 但大多数时候，我们实际上并不需要像主成分分析中那样的所有奇异向量/值。 这也证明了以下事实：在实践中出现的许多矩阵确实表现出某种结构，导致只有少数奇异值实际上是不可忽略的。 最近的研究表明，当我们想要截断的 SVD 时，随机算法可以产生令人难以置信的加速度。 用法 ： 输入： * A : 我们想要的 SVD 矩阵* K：要保留的组件数 输出： * U,S,V : 作为内置 svd matlab 函数的经典输出 这是我的小型笔记本电脑上 2000x2000 秩为 100 的矩阵的一个小例子： >> A = randn(2000,100)*randn(100,2000); >> 抽动; [U1,S1,V1] = svd(A); 目录经过的时间是 6.509186 秒。 >> 抽动; [U2,S2,V2] = rsvd(