自适应阈值低秩近似（ALRA） 介绍 ALRA是一种在单细胞RNA测序数据中插入缺失值的方法，在提供的预印本“使用低秩近似法对scRNA-seq数据进行零保存插值”中进行。 给定一个scRNA-seq表达矩阵，ALRA首先使用随机SVD计算其rank-k近似值。 接下来，每一行（基因）都以该基因最负值的大小为阈值。 最后，矩阵被重新缩放。 该存储库包含用于在R中运行ALRA的代码。ALRA的唯一先决条件是安装随机SVD软件包RSVD，可以将其安装为install.packages('rsvd') 。 这些功能现在为已安装用户提供了一个标志use.mkl ，它可以大大加快基于默认rpca的版本的速度。 请注意，rpca-mkl仍在开发中，并且不在CRAN上，因此它不是必需的软件包，但是如果用户已经安装了rpca-mkl，则可以通过将该标志设置为True来使用它。 用法 请确保将矩阵为行，

SVD核心集 计算矩阵的核心集以找到其SVD。 此模块有助于计算给定数据点的核心集（ ），可用于计算其SVD / PCA。 可以在一个巨大的矩阵上计算出核集，从而给出一组有效向量，然后可以轻松地使用它们找到数据点的SVD，否则将需要更多的资源。 有关更多详细信息，请参见该文章： : 。 麻省理工学院网站上某处有一个Matlab版本，可以通过Google搜索找到。

watermark-dwt-matlab：带GUI的MATLAB程序为图像加水印

录像机 SVD类型矩阵分解的优化算法，缺少用于协作过滤的值 算法： 交替最小二乘（例如参见Koren 2008） 循环坐标下降（Yu et al。） 去做： 正确支持偏见 正确引用

一型模糊逻辑系统，方法有SVD-QR、TSK的实现，包含train和test

数据压缩是线性代数的一个重要应用。 最大限度地减少存储和传输的数字信息量的需求是现代世界日益关注的问题。 奇异值分解是最小化数据存储和数据传输的有效工具。 提供一份报告，通过对图像矩阵使用奇异值分解来探索图像压缩。 举一个说明性的例子。 报告应包括以下部分： 1. SVD的简单介绍，包括一个小矩阵A的小维SVD来说明2. 图像压缩示例。 选择一个测试图像并对图像应用 SVD。 显示不同等级k矩阵的图像，提供相应的压缩率，每个等级的近似理论误差和均方根误差RMSE。

svd算法matlab代码高维设计差分私有估计器 高维差分私有鲁棒均值估计器的MATLAB实现。 先决条件 用于在较大矩阵上进行特征值计算的MATLAB软件包 算法实现 dpCode目录包含各种差分私有均值估计算法的实现代码。 dpFilterGaussianMean.m ：本文提出的新型差分私有算法的主要实现 filterGaussianMean.m ：通过过滤实现稳健的均值估计，取自，并在ICML 2017的论文中进行了描述 dpWinsorizedMean.m ：的差分私有dpWinsorizedMean.m Mean（算法1）的实现 privateQuantile.m ：实用程序函数，包含来自的privateQuantile算法（算法2）的实现 laplaceSample.m ：实用函数，通过逆CDF采样从Laplace分布中提取噪声样本 我们的算法仅需要前两个文件，而后两个文件则来自的DP Winsorized均值参考算法。 最后一个文件（ laplaceSample.m ）是两种算法中使用的Laplace机制的实用程序实现。 重现性 compareDPMeanEstimat

CSE523-机器学习-KHVM 一种音乐推荐系统，它使用协作过滤和机器学习算法（例如K近邻和奇异值分解（SVD））根据用户的喜好向用户推荐歌曲。 介绍 Music Recommend系统是一种根据用户的不同选择来预测或过滤偏好的系统，它从用户过去的收听历史中学习，并向他们推荐他们将来可能希望听到的各种歌曲。协作过滤算法可预测（还可以通过收集用户的喜好来过滤用户的品味，并实现来自许多其他用户的品味（协作）。 在项目的第一阶段，我们使用k最近邻算法构建了一个推荐系统，我们的系统还使用了表示均方根误差的RMSE。 对数据集进行预测时存在的误差的标准偏差称为RMSE。 均方根误差（RMSE）是用于确定回归线与数据点的匹配程度的度量。沿着RMSE，我们还应用了奇异值分解（SVD）.SVD是将矩阵分解为奇异向量的另一种方法和奇异值。 SVD通常在机器学习中用作数据缩减工具，并在其他矩阵运算（例如

一种基于SVD的高效图像去噪方法

matlab的propack工具包，可以用来进行svd计算等