在[1]中，通过迭代最小化（SLIM）方法进行的稀疏学习已被证明在MIMO雷达模型的高分辨率成像中是有效的。 但是，那里的回声模型是直接根据离散形式导出的。 成像空间的先前网格化以及所有散射体都精确位于网格上的假设。 因此，这里我们将回波模型推广到任意位置散射体的连续形式。 通过比较两个模型，我们首先指出了先前模型中的一个推导错误。 然后，我们分析了先前模型和SLIM方法在何种程度上会受到离网散射体的范围和角度偏差的影响。 根据我们的分析，由于先前模型中的采样间隔和离散距离仓的大小是根据传输的子脉冲的持续时间设计的，因此距离偏差对成像性能没有重大影响。 但是，角度偏差可能导致基矩阵不匹配，从而严重影响SLIM的重建结果。 因此，提出了一种基于自更新的SLIM（SUB-SLIM）方法，通过交替稀疏成像和自适应细化角箱来处理偏角网格散射体。 数值结果说明了我们的方法和相关分析的有效性。

近年来,随着压缩感知技术在信号处理领域的巨大成功,由其衍生而来的矩阵补全技术也日益成为机器.学习领域的研究热点,诸多研究者针对矩阵补全问题展开了大量卓有成效的研究.为了更好地把握矩阵补全技术的.发展规律,促进矩阵补全理论与工程应用相结合,本文针对矩阵补全模型及其算法进行综述.首先对矩阵补全技术进.行溯源,介绍了从压缩感知到矩阵补全的自然演化历程,指出压缩感知理论的发展为矩阵补全理论的形成奠定了基.础;其次从非凸非光滑秩函数松弛的角度将现有矩阵补全模型进行分类,旨在为面向具体应用的矩阵补全问题建模.提供思路;接着综述了适用于矩阵补全模型求解的代表性优化算法,其目的在于从本质上理解各种矩阵补全模型优.化技巧,从而有利于面向应用问题的矩阵补全新模型求解;最后分析了矩阵补全模型及其算法目前存在的问题,提出.了这些问题可能的解决思路,并对未来研究方向进行了展望.

深度神经网络中的多目标稀疏学习模型，刘嘉，公茂果，深度神经网络是一种具有复杂结构和较深层次的神经网络模型,其强大的数据表示和建模能力使其在各类应用中发挥了巨大的作用.稀疏理�

大牛叶杰平开发的稀疏学习matlab工具包。