稀疏估计与压缩感知的线性系统求解器寻找Ax=y中的稀疏解

结构健康监测的压缩感知资源还挺实用的，是用group sparse optimization来搞无线传感器数据压缩，效率高还不失精度，做大规模部署挺有。你要是做结构监测、桥梁、隧道那类工程，这套方法真的可以省不少带宽和算力。

该项目提供用于解决联合稀疏多重测量向量 (MMV) 问题的分析和综合先验求解器，包含约束和无约束两种方法。 依赖项： Sparco 工具箱： 可从 http://www.cs.ubc.ca/labs/scl/sparco/ 下载并安装至 Matlab 路径中。

自适应稀疏网格的 ASGarD 代码算是挺硬核的资源了，尤其是你要搞高维 PDE 求解的时候。它用的是 Discontinuous-Galerkin 方法，搭在一个稀疏网格结构上，优势是啥？就是不用陷入维度灾难，性能还挺抗打。嗯，关键是还能自动自适应，适合变量不均匀分布的那种问题。 自适应稀疏网格的 ASGarD 代码算是挺硬核的资源了，尤其是你要搞高维 PDE 求解的时候。它用的是Discontinuous-Galerkin 方法，搭在一个稀疏网格结构上，优势是啥？就是不用陷入维度灾难，性能还挺抗打。嗯，关键是还能自动自适应，适合变量不均匀分布的那种问题。 代码本身是用C++17写的，构建系

这本书专为希望利用最先进计算方法解决大规模稀疏线性方程组的科学家而撰写。欲了解完整书籍介绍和购买详情，请访问http://www.mathworks.com/support/books/book1433.jsp?category=-1&language=-1

稀疏表达的程序代码，使用Matlab验证实现，可供下载使用！

l1_ls MATLAB求解用于解决如下形式的问题：最小化 ||Ax-y||^2 + lambdasum|x_i|。

使用最大似然法进行线性系统参数估计是一种常见的方法，同时还提供了可用于Matlab的相应程序。

利用Matlab验证实现稀疏表达的编程代码，可供下载使用！

Jacobi 方法的 Matlab 实现，其实挺适合刚接触数值计算的你。用法简单，就是写个jacobi(A,b,toll,kmax)的函数，输入矩阵A和向量b，加上误差容忍度和最大迭代次数，就能跑起来。代码结构清晰，每一步都好理解，适合拿来做学习模板。 初始化用零向量开局，不断迭代更新解向量，直到误差足够小或者次数到了上限。要注意，Jacobi 法对矩阵有点挑——最好是对角占优的，不然容易不收敛，调了半天没结果真让人头秃。 不过你要是的是大型稀疏矩阵，这个方法还挺有用，毕竟结构简单，不占太多内存。代码里更新残差和收敛判断也都一应俱全，直接改改就能应用到你的项目里，挺方便的。 如果你追求更快收敛