搜索资源列表
TherealizationofParallelLUfactorizationbasedonFPGA
- 本文首先介绍了稀疏矩阵的特点和研究稀疏矩阵分解的意义，接着讨论了稀疏矩阵各种快速算法并给出了本文所采用的方法。在此基础上详细说明了稀疏矩阵模拟排序算法，直接LU分解算法，符号LU分解算法，数值LU分解算法及这些算法在FPGA上的实现过程。最后为充分发挥FPGA作为一种可编程逻辑器件的优势，将单核数值LU分解扩展为多核并行LU分解结构，并使用BDB矩阵对该结构进行了验证，给出并分析了实验结果。-Firstly,the characteristies and research value of sp
system-identification
- 采用时频聚集性较好的线性调频信号作为线性时不变系统输入激励，采用Gabor字典作为过完备原子库。在利用传统系统辨识法之前先利用稀疏分解算法将输出信号进行去噪处理，显著提高系统辨识精度。 具体包括互谱算法，信号的Gabor稀疏分解的详细代码-Space can be a time for sparse decomposition to solve the problem of huge memory needed。This approach, combined with the rapid d
SL0MatlabCodereal
- 快速的基于光滑的l0范数的过完备的稀疏分解，其速度比L1范数快，恢复效果好-Rapid decomposition overcomplete sparse smooth l0 norm-based, its speed is faster than the L1 norm, restore good effect
Sparse-decomposition-algorithm
- 提出了种并行的稀疏分解算法，以解决目前的稀疏分解算法计算量大、耗时多，不适宜用作战场声目标实时识别的缺点。-Kinds of parallel sparse decomposition algorithm to solve the sparse decomposition algorithm large, time-consuming, and not suitable for real-time recognition of the shortcomings of the battlefiel
GABOR
- 基于GABOE原子库的稀疏分解算法在图相检测领域意义深渊，本程序是该算法的组程序，及优化设计正交双路后的精简算法程序-Gabor atomb
信号与图像的稀疏分解及初步应用
- 信号与图像的稀疏分解是信号与图像的一种新的分解方法，在信号与图像的压缩编码、去噪、信号的时频分析与信号识别等方面有看极为广阔的应用前景，是信号与图像处理研究领域中一个新的很有意义的研究方向。本书总结了国际上在这一研究方向 的研究进展以及作者多年来的研究成果。在稀疏分解方法方面，重点介绍了作者关于信号与图像稀疏分解快速算法的研究成果。在稀疏分解应用方面，重点介绍了作者在信号处理及图像压缩编码方面的研究成果。