选列主元的Doolittle分解是一种稳定的矩阵三角分解算法。数据交换操作，降低了运算的效率。此处提出一种使用交换指针代替交换整行元素的方法来提高运算的效率，可以将交换数据的工作量减少到原来的1 / n（n为矩阵的阶数）。通过实验程序运行的结果证明，运算结果正确，算法执行过程稳定，可靠。

流数据的爆炸式增长为特征学习方法带来挑战，包括线性判别分析（LDA）。 许多现有的LDA算法效率不高，不足以按顺序以各种方式到达的样本进行增量更新。 首先，我们提出了一种新的快速批处理LDA（FLDA / QR）学习算法，该算法使用聚类中心求解下三角系统，并通过Cholesky分解对其进行了优化。 为了利用矩阵的内在增量机制，我们进一步开发了一种精确的增量算法（IFLDA / QR）。 与大多数现有方法的排名第一的QR更新相比，在IFLDA / QR中进行正交化的Gram-Schmidt过程显着

图小波神经网络 ⠀ 图小波神经网络的PyTorch实现（ICLR 2019）。 抽象 我们提出了图小波神经网络（GWNN），一种新颖的图卷积神经网络（CNN），它利用图小波变换来解决依赖于图傅立叶变换的先前频谱图CNN方法的缺点。 与图傅立叶变换不同，可以通过快速算法获得图小波变换，而无需矩阵本征分解，且计算量大。 此外，图小波稀疏并局限在顶点域，为图卷积提供了高效率和良好的可解释性。 在三个基准数据集：Cora，Citeseer和Pubmed的基于图的半监督分类任务中，提出的GWNN明显优

点集配准对于多台摄像机的校准，3D重建和识别等非常重要。迭代最近点（ICP）算法对于相同比例的点集配准来说是准确且快速的，但是不能处理不同比例的情况。 取而代之的是，本文介绍一种称为缩放迭代最近点（SICP）算法的新颖方法，该算法将带有边界的缩放矩阵集成到用于缩放配准的原始ICP算法中。 在此算法的每个迭代步骤中，我们都建立了两个mD点集之间的对应关系，然后使用简单快速的迭代算法以及奇异值分解（SVD）方法，并结合了抛物线的性质来计算比例，旋转和平移转换。 已经证明，SICP算法可以从任何给定参