vue-composition-api-tsx-example 项目设置 yarn install 编译和热重装以进行开发 yarn run serve 编译并最小化生产 yarn run build 运行测试 yarn run test 整理和修复文件 yarn run lint 自定义配置 请参阅。

多维集成经验模态分解法（THE MULTI-DIMENSIONAL ENSEMBLE EMPIRICAL MODE DECOMPOSITION METHOD，MEEMD）

gm 轻松创建音乐，并在R Markdown文档，R Jupyter Notebook和RStudio中显示乐谱和音频文件。 你好！ 世界 library( gm ) m <- # initialize a Music object Music() + # add a 4/4 time signature Meter( 4 , 4 ) + # add a musical line of four quarter notes Line( list ( " C5 " , " D5 " , " E5 " , " F5 " ), list ( 1 , 1 , 1 , 1 )) show( m , to = c( " score " , " audio " )) 安装 安装gm： install.packages( " gm " ) 或来自GitHub的开发版本：

TensorClus TensorClus（张量聚类）是第一个Python库，旨在对张量数据进行聚类和共聚。 它允许轻松地进行张量聚类，变形分解或张量学习和张量代数。 TensorClus允许与其他python软件包（例如NumPy，Tensorly，TensorFlow或TensorD）轻松交互，并在CPU或GPU上大规模运行方法。 它支持主要的操作系统，即Microsoft Windows，macOS和Ubuntu 。 源代码： : Jupyter笔记本： : 简要描述;简介 TensorClus库提供了多种功能： 几个数据集 张量与各种数据类型的共聚 张量分解和聚类 可视化 要求 numpy == 1.18 . 3 pandas == 1.0 . 3 scipy == 1.4 . 1 matplotlib == 3.0 . 3 scikit - learn == 0.

选址的matlab代码

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

FunctionalDecomposition:并行和分布式计算。 MPI

条纹噪声的去除（去条纹）是遥感图像处理中的一个基本问题，对于后续应用具有重要的实践意义。 这些变分去斑方法取得了令人瞩目的结果，并引起了广泛研究的兴趣。 然而，它们中的大多数专用于从条纹图像中估计清晰的图像，在不考虑条纹的结构特征的情况下，非常关注图像本身，而条纹的结构特征很容易造成图像结构损坏，并在图像恢复中留下残留的条纹。 在本文中，我们平等地对待图像和条带分量，并将图像去块任务自然地转换为图像分解问题。 首先，我们将对条纹的结构特征进行详细分析，并提供有关遥感图像的先验知识。 然后，将它们合并，我们提出了一个基于低等级的单图像分解模型（LRSID），以将原始图像与条带成分完美分离。 这种对条带的低秩约束与以下事实完全匹配：只有部分数据矢量已损坏，而其他部分则没有损坏。 此外，我们进一步利用遥感图像的光谱信息，并将我们的2D图像分解方法扩展到3D情况。 已经对模拟数据和真实数据进行了广泛的实验，以验证所提出算法的有效性和效率。

Torch7的分解模块 主成分分析 (PCA) 白化主成分分析 (W-PCA) 线性判别分析 (LDA) 局部保护投影 (LPP) 邻里保护预测 (NPP) 快速独立分量分析 (FastICA) 约翰-亚历山大·阿塞尔 安装 克隆此存储库或下载源代码。 用法 调用decomposition = require "decomposition" ，然后是以下任何一项： decomposition.pca(x) , decomposition.lda(x, y) , decomposition.lpp(x) , decomposition.npp(x) , decomposition.fastica(x) 。 或者，您可以使用 iTorch notebook 并打开decomposition.ipynb 。 贡献 叉它！ 创建您的功能分支： git checkout

基于矩阵分解的电影推荐系统 本项目实现了陈家栋老师《推荐算法理论与实践》中的基于矩阵分解的电影推荐系统 备注十分详细，适合初学者学习