高光谱解混的非负矩阵分解Matlab程序

非负矩阵分解方向的文章具有一定参考价值，推荐有兴趣的读者阅读学习。

这是一个用Matlab实现的代码示例，用于通过非负张量因式分解区分表型和独特表型。该代码需要使用Tensor工具箱2.6版，并处理count.csv和label.csv数据格式，其中包括每个受试者的诊断和处方并发计数，以及临床结局的受试者ID。此外，还涉及诊断和处方的成对相似性矩阵similarities.csv。

Matlab高光谱图像分析工具包包含多种算法，用于解混、配准和融合。高光谱图像具有数百个波段，虽然空间分辨率较低，但在地球科学研究中具有重要应用。该工具包提供了几种光谱解混方法，包括固定端成员的空间组合模型（SCM）和基于高斯混合模型（GMM）的解混。此外，还支持多光谱图像的注册和融合，以提取和分析地表组成成分。

这段Matlab代码用于对非奇异矩阵进行上-海森堡矩阵分解，虽然计算量较大约为n^3级别，但仍能完成分解任务。

高光谱图像分解Matlab代码已经提供，您可以免费下载使用。

高光谱CARS显微镜和光谱工具箱使研究人员能够方便地分析他们的数据。该工具箱专注于图像融合、去噪和光谱学的研究与开发。

Matlab中的EMD分解程序是一种用于信号处理和分析的重要工具。通过EMD（经验模态分解）技术，可以将复杂的信号分解成若干个本征模态函数。这种方法在处理非线性和非平稳信号时特别有效，广泛应用于振动分析、图像处理等领域。EMD分解程序的开发和优化，对于研究人员和工程师来说具有重要意义。

此代码提供了Matlab实现的论文“通过最佳邻域重构的高光谱波段选择”，刊载于IEEE地球科学与遥感事务（T-GRS），DOI：10.1109/TGRS.2020.2987955。demo.m展示了一种简单直接的方法来运行ONR算法，评估.m提供了易于扩展的代码框架，以评估不同数据集上的不同波段选择方法。运行评估.m可获得分类精度曲线。为了成功运行评估.m，需首先安装适用于Matlab的Libsvm。另外，如果要在印度松树之外的数据集上评估算法，还需提前下载相应数据集。Libsvm链接：高光谱图像数据集链接：印度松树数据集、帕维亚大学数据集、盐沼数据集、KSC数据集、博茨瓦纳数据集。如果使用我们的代码，请引用我们的论文。希望您能从我们的代码中获益。

这篇文档介绍使用光谱方法解一维泊松方程的理论，具体涉及了“poisson1D.m”文件的应用。我们采用正弦变换来求解带有狄利克雷边界条件的问题。相比于简单的有限差分法，该方法提供了更高的数值精度。