搜索资源列表
xisu
- 稀疏矩阵，目前还没有一个明确的定义，但是一般认为，稀疏矩阵是非零元素较零元素少，且分布没有一定规律的矩阵。在矩阵运算中和矩阵输入输出中，最方便的存储方式就是二维数组，对矩阵进行压缩不能简化矩阵运算，对输入输出也不能提供便利，而降低运算的时间复杂度主要与算法有关，一般对矩阵压缩后其运算的复杂度会增加。所以答案是节省存储空间。
数据结构的C++描述
- 目 录 译者序 前言 第一部分 预备知识 第1章 C++程序设计 1 1.1 引言 1 1.2 函数与参数 2 1.2.1 传值参数 2 1.2.2 模板函数 3 1.2.3 引用参数 3 1.2.4 常量引用参数 4 1.2.5 返回值 4 1.2.6 递归函数 5 1.3 动态存储分配
矩阵的压缩存储(对称矩阵,三角矩阵,稀疏矩阵)
- 矩阵的压缩存储 问题描述：矩阵是许多科学与工程计算问题中出现的数学对象。在此，我们感兴趣的不是矩阵本身，我们所关心的是研究表示矩阵的方法，以使对矩阵的各种运算能有效地完成。一个矩阵一般由m行和n列元素组成，一般的m*n阶矩阵，可表示成一个m*n的二维数组，例如matrix[m][n]，需要的存储空间是m*n 实现要求： 若矩阵中的元素是对称的，即矩阵中第i行第j列与第j行第i列元素的值相等，即matrix[i][j]＝matrix[j][i]，我们把这种矩阵称为对称矩阵。对于n*n阶对称矩阵，我
Iluk
- 这是用于线性方程组求解的ILUK预处理算法的实现。在VC++编译通过。矩阵采用压缩稀疏行格式存储（CSR），采用如下结构存储：struct Distmatrix {double **ma int **ja,dimension,*nnzrow } 很容易移植到自己定义数值计算软件包中。经本人测试计算效率比Fortran写的高很多（比如与Sparskit2比较）。-This is used for solving linear equations ILUK preconditioning algor
Ilut
- 这是用于线性方程组求解的ILUT预处理算法的实现。在VC++编译通过。矩阵采用压缩稀疏行格式存储（CSR） 很容易移植到自己定义数值计算软件包中。经本人测试计算效率比Fortran写的高很多（比如与Sparskit2比较）。-This is used for solving linear equations ILUT preconditioning algorithm. In VC++ Compiled through. Matrix using compressed sparse row st
juzhengyilist
- 用C++先压缩稀疏矩阵于链表,再解压缩链表还原为稀疏矩阵-C++, the first compressed sparse matrix in the list, and then extract the list reduced to sparse matrix
java-jizhengyunsuan
- 面向对象矩阵运算库的设计与实现，压缩包中以稀疏矩阵为例，包换了相关的文档和设计实现，为学习Java编程提供一个良好的例子。-Object-oriented matrix operations database design and implementation of compressed package in order to sparse matrix, for example, replacement and the related documents and design implemen
1
- 稀疏表达：向量、矩阵与张量.doc，对于学习压缩感知、稀疏表示的人有帮助-Sparse expression: Vector, matrix and tensor. Doc, for learning compressed sensing, sparse representation of the people to help
DesignProjection
- 该程序实现了压缩感知理论中采用矩阵的优化。在压缩感知理论中，要求采样矩阵与稀疏矩阵的相关性越低越好。该代码采用一种交替投影的方法实现采用矩阵的优化，有效降低其相关性。-The program to achieve the optimization of the use of matrix theory compressed sensing. Requirements of the sample matrix and sparse matrix theory of compressed sensi
Short-duration-power_CS
- 根据压缩传感(Compressed Sensing，cs)N论，首次提出了短时电能质量扰动信号的压缩采样方法，该方法突破了奈奎斯特采样频率的限制，实现了低于奈奎斯特采样频率的低速率采样。文中对比分析了CS理论与传统采样理论，研究了cS短时电能质量信号压缩采样的实现方法，包括：测量矩阵的构建、稀疏基的选取和电能质量信号快速贝叶斯匹配追踪重构算法(FBMP)-Compressed sensing ( Compressed Sensing , cs ) N theory , first propose
txys
- 压缩感知的获取与重建，信号的稀疏表示，测量矩阵，重建算法-Compressed sensing acquisition and reconstruction
test
- 稀疏矩阵的压缩与还原。 一个矩阵含有非零元素比较少，而零元素相对较多，这样的矩阵称为稀疏矩阵，对稀疏矩阵的存储我们不用完全用二维数组来存储，可以用一个三元组，即任意一个稀疏矩阵可以用一个只有三列的二维数组来存放，要求把给定的稀疏矩阵用为三元组表示；同时把三元组转换为稀疏矩阵形式。 -Sparse matrix compression and reduction.A matrix with nonzero element is less, and zero element is relat
Sparse-matrix-storage-and-restore-
- 稀疏矩阵的压缩存储与还原 稀疏矩阵的计算器-Sparse matrix storage and restore compressed sparse matrix calculator
juzhenyunsuanqi
- 【问题描述】已知A和B为两个n*n阶的对称矩阵，求这两个对称矩阵的转置、之和与乘积。 用三元组表存储稀疏矩阵并实现转置。 【基本要求】 输入时，对称矩阵只输入下三角形元素，压缩存储存入一维数组。 对输入的对称矩阵A和B进行显示。 求对称矩阵A和B的转置矩阵。 求对称矩阵A和B的之和。 求对称矩阵A和B的乘积。 输入一个稀疏矩阵，用三元组表存储起来。 实现稀疏矩阵的显示。 实现稀疏矩阵的转置。 -[Problem Descr iption] Known
cs-speech-enhancement
- 文利用带噪语音经特征基函数矩阵转换后所具有的稀疏特性，用最大似然估计方法对转换后得到的稀疏 分量进行非线性压缩去噪，然后再经过反变换和重构恢复出原始语音信号的估计。特征基函数矩阵反映了语音数据本 身的统计特性，因此具有很好的合理性和可取性。仿真结果表明利用稀疏编码方法能极大程度地抑制背景噪卢，与小波消噪法相比优势明显。-a speech enhancement algorithm based Compressed Sensing.
JISP20140100000_16513260
- 压缩感知将数据的采样和压缩同时处理，仅需少量测量就能重建信号。测量矩阵直接影响着信号适应 的稀疏度范围和重建效果。为了减小测量矩阵与稀疏变换矩阵的互相干性，提出一种基于 KSVD-ETF 的测量矩 阵和稀疏表达字典联合优化的方法，在对测量矩阵进行 ETF 优化的同时利用 KSVD 方法更新优化表达字典，实 验结果中利用该方法优化矩阵所得重建信号 PSNR 有所提高，表明优化测量矩阵的方法在重建效果方面有一定 的优势。- Compressive sensing, a novel s
xsjz
- 实现稀疏矩阵压缩存储上的基本运算。 （1）存储结构选择三元组存储方式 （2）实现两个稀疏矩阵的相加、相减与乘法运算，并输出运算结果 （3）实现稀疏矩阵的转置运算。 -To achieve the basic operation of sparse matrix compression storage. (1) storage structure selection triad storage (2) to achieve two sparse matrix additio
bcs-spl-1.5-1 (1).tar
- BCS-SPL将图像的基于块的压缩感测采样（BCS）与平滑的投影Landweber（SPL）迭代重建相结合。采样是通过逐块应用随机矩阵来驱动的，而重建则是预期的Landweber（PL）重建（也称为迭代硬阈值（IHT））的变体，其结合平滑操作（维纳滤波）减少块效应。实质上，除了PL所固有的稀疏性之外，这种滤波操作还能提供平滑性。(BCS-SPL combines block-based compressed-sensing sampling (BCS) of an image with a sm
Fourier-k-m-reconstuction
- 在构造压缩感知测量矩阵中，用傅里叶矩阵实现稀疏度k和m与信噪比之间的关系(In the construction of compressed sensing measurement matrix, the relationship between sparsity k and m and signal-to-noise ratio is realized by Fourier matrix.)