搜索资源列表
-
0下载：
当前论文主要考虑的是非信号依赖的高斯噪声下的图像恢复，本程序实现了泊松噪声下的图像恢复，泊松噪声为信号依赖噪声，能够更加有效逼近实际成像系统噪声。- This is the code that was used in the papers "A Nonnnegatively Constrained Convex Programming Method for Image Reconstruction", "Total Variation-Penalized Poisson Likelihood E
-
-
0下载：
走时层析成像的迭代Tikhonov正则化反演研究
走时层析成像的迭代Tikhonov正则化反演研究-Go tomography by iterative Tikhonov regularization inversion study of travel time tomography by iterative Tikhonov regularization inversion of
-
-
1下载：
Tikhonov正则化的很有用的MATLAB程序-Tikhonov regularization useful MATLAB program
-
-
0下载：
regularization solver by Tikhonov method
-
-
1下载：
本代码主要给出了激光粒度仪颗粒散射光强分布以及4种粒度反演算法，以及4种算法之间的比较。四种反演算法为：TSVD、Chaine、Tikhonov和l1正则化。-The code gives the Zetasizer particle scattering intensity distribution, and four kinds of particle inversion algorithm, as well as a comparison between the four algorith
-
-
11下载：
Tikhonov正则化工具箱，可实现病态方程组的正则化，以及采用L曲线法、岭估计法、GCV法等确定正则化参数，内含使用方法，亲测有效。-Tikhonov regularization toolbox, which can realize regularization in morbid equations, and using the L curve method, ridge estimation, GCV method to determine the regularization para
-
-
0下载：
A Dynamical Tikhonov Regularization for Solving Ill-posed Linear Algebraic Systems.pdf，以上论文提出的求解病态线性方程组的一种较新梯度下降法-A Dynamical Tikhonov Regularization for Solving Ill-posed Linear Algebraic Systems.pdf, more than one paper proposes solving ill-conditi
-
-
1下载：
岭回归(英文名：ridge regression, Tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。
总之，本文档是岭回归的R语言实现代码，主要用于解决当模型中出现多重共线性问题，尤其是当你所有的解释变量都很重要，又无法通过其他检验来删除时，岭回归是一个很好的解决办法。(Ridge
-
-
1下载：
利用高斯消元法法求解病态矩阵——hilbert 矩阵的线性方程组。通过条件数分析，找出误差较大的原因。再利用 Jacobi 迭代方法、G-S 迭代方法和 SOR 迭代法做了进一步探究。另外，作为要求之外的，还使用共轭梯度法来求解方程以来进行对比，并利用Tikhonov 正则化的方法改善矩阵的条件数，来减小误差。(The Gauss elimination method is used to solve the linear equations of the ill conditioned mat
-
-
1下载：
正则化去除噪声,效果撮合，凑合。。。。。。(Tikhonov regularization)
-
-
1下载：
tikhonov求解，正则化参数为0.1，应用svd分解，求解病态矩阵的解。(Tikhonov solution, regularization parameter is 0.1, using SVD decomposition to solve the ill-conditioned matrix solution.)
-
