p = length(ell); if nargin<5, max_kk = min(n,p)-1; end max_kk = min(max_kk,min(p,n)-1); if nargin<4, alpha = 0.5; end s_Wishart = KN_s_Wishart(alpha,beta); sigma_arr = zeros(1,max_kk); for kk=1:max_kk [mu_np sigma_np] = KN_mu_sigma(n,p-kk,beta); sig_hat_kk = KN_noiseEst(ell,n,kk); sigma_arr(kk) = sig_hat_kk; at_least_kk_signals = n * ell(kk) > sig_hat_kk * (mu_np + s_Wishart * sigma_np); if ~at_least_kk_signals, break, end end % for kk=1:max_kk K = kk-1; if K > 0 sigma_hat = sigma_arr(K); else sigma_hat = sum(ell(1:p)) / p; end

这段代码用来计算伪秩和噪声方差的估计。

首先，计算特征值的个数，即样本协方差矩阵的大小。

然后，如果未指定伪秩的最大值，则将其设置为样本数和特征值个数之间的较小值减1，确保伪秩的最大值不会超过样本数和特征值个数之间的较小值。

接着，如果未指定置信水平，则将其设置为0.5。

然后，使用置信水平和实部或虚部指示符计算s_Wishart。

接下来，初始化一个大小为max_kk的sigma_arr数组。

然后，对于每个kk，使用KN_mu_sigma函数计算mu_np和sigma_np，并使用KN_noiseEst函数计算sig_hat_kk，将其存储在sigma_arr数组中。接着，计算是否至少有kk个信号，即n * ell(kk) > sig_hat_kk * (mu_np + s_Wishart * sigma_np)，如果不是，则退出循环。

最后，计算伪秩K，如果K大于0，则噪声方差的估计为sigma_arr(K)，否则噪声方差的估计为特征值的平均值。