不精确拉格朗日法，求解矩阵补全的凸优化问题，可以用该方法实现背景建模-Imprecise Lagrangian method for solving matrix completion convex optimization problem, you can use this method, background modeling

ALM 算法，可用来补全或分解矩阵，效果不错， 时间也较短-ALM algorithm can be used to complement or decomposition matrix, well, time is short

径向基函数网络(RBF)特点：1)可用于任意维空间的插值；2)训练速度和插值速度较慢；3)一旦训练成功，只要存储权系数矩阵即可，适用于海量数据的插值；4)当数据不全时，可以用于数据补全。 -Radial basis function (RBF) network features: 1) can be used in any dimensional space interpolation 2) interpolation and the training speed slower 3) o

用矩阵补全或张量补全的方法，对缺失数据进行重构(matrix completion or tensor completion ,to reconstruct the missing data)