我正在尝试在此处实现本文中包含的算法。它是关于求解 2 维和 2.5 维 Fredholm 积分，重点是二维 NMR 实验。尽管这是我第一次从事任何计算科学，但我取得了重大进展。我得到的输出显然是错误的，但似乎偏离了理想状态。我试图消除有问题的区域，并且想知道我是否错误地解释了这段话：

原则上，（2）中的二维问题可以简化为一维问题$m_r = K_0f_r + \epsilon_r \quad r=1,...,R$. 在这里，向量$m_r$,$f_r$和$e_r$通过字典顺序矩阵获得$M_r$,$F_r$,$E_r$.

作为参考，他们提到的 eq (2) 是我们试图解决的 Fredholm 积分，它与测量数据相关联$M_r$和联合概率分布$\mathcal{F}_r$弛豫时间 (x, y)：

$$M_r(\tau_1,\tau_2) = \int \int k_1(x, \tau_1)k_2(y, \tau_2)\mathcal{F}_r(x,y)dxdy + \epsilon_r(\tau_1,\tau_2) \quad r=1,...,R$$

根据文字，形状$M_r$是$N_1\times N_2$和$m_r$是$(N_1N_2\times 1)$. 我想我可以使用一个简单的重塑，但看看lexicographic的定义，似乎有一种涉及。那么，这两个 python 片段中的哪一个是正确的？还是完全是别的东西？

• m_r = np.sort(M_r, axis=None)[:, np.newaxis]要么
• m_r = M_r.reshape((N1*N2, 1))?

后来，他们还表示

矩阵$F_r$通过重新排序估计$f_r$进入矩阵符号。

所以，我可以做一个简单的reshape背部。但如果我必须取消排序$F_r$，其形状为$N_x \times N_y$， 我迷路了。