论文研究联合非下采样Contourlet变换与奇异值分解的多水印算法.pdf

在自适应波束形成算法中,QR分解具有很好的数值特征和固有的高度并行性。但当采样数较少,采样协方差矩阵估计值的噪声特征值分散会导致波束形成算法的性能下降问题,QR算法的性能就会下降。针对此缺陷,提出了对

为提高阵列声波时差提取精度，在常规矩阵奇异值分解法基础上，利用子空间类和加权函数对信噪比计算方法进行了改进，提出了一种新的阵列声波测井全波时差提取方法。此方法挂接到CIFlog测井处理解释平台上，专门

非下采样Contourlet变换域中基于简化PCNN的多峰医学图像融合框架

针对部分遥感图像和高光谱图像中存在的对比度不足、整体偏暗等问题,提出了一种基于多尺度Retinex(MSR)和混沌小生境粒子群优化(NCPSO)的非下采样Contourlet变换(NSCT)域图像增强

根据真空泵在故障和正常模式下工作时,其振动信号在频域的能量分布的差异性,设计基于奇异值分解(SVD)和小波包分解(WPD)的真空泵故障检测方法。首先用SVD对采集到的信号进行去噪,再使用小波包对去噪后

基于非下采样Directionlet变换的图像边缘检测，白静，韩雪云，图像的边缘是图像最重要的特征之一，它包含非常重要的信息。针对小波变换只能在有限方向下进行滤波变换及方向波变换中下采样处理

奇异值分解在某些方面与对称矩阵或Hermite矩阵基于特征向量的对角化类似。然而这两种矩阵分解尽管有其相关性，但还是有明显的不同。对称阵特征向量分解的基础是谱分析，而奇异值分解则是谱分析理论在任意矩阵

（此部分与TXT第二部分相同）下载一个即可，对数据要求和每一句代码做了解释，很容易明白。希望能帮助到大家。运行后可得到奇异值结果图

基于局部奇异值分解的人脸识别的讲解ppt，对这种方法的好的特性进行了分析，主要是对刘小军论文中的方法进行阐述，能取得较好的识别效果。

SVD 奇异值分解 原著。详细生动的解说SVD分解过程,形象生动,很快学会。