矩阵的投影、线性拟合与最小二乘法
概要:投影矩阵
如果一个b向量进行矩阵运算 Pb , 那么向量b就会投影要A的列空间的最近点。
目录
一、矩阵的四大基础子空间
二、投影矩阵
三、最小二乘法
一、矩阵的四大基础子空间
一个矩阵有4个子空间。分别是行空间、零空间、列空间和左零空间(A转置的零空间).所谓A矩阵的行空间就是矩阵的行向量的线性组合,它与零空间正交(即向量垂直,内积为0)。A矩阵的列空间就是矩阵列向量的线性组合,它与左零空间正交。
对于一个初等矩阵E,如果满足 EA=B,那么B的每个行向量都是A行向量的线性组合,A的行向量也是B行向量的线性组合,即A和B的行空间是一样的,并且Ax=0 与 Bx=0的解也是相同的,即A与B的零空间相同。同理,如果AE=B那么A与B有相同的列空间和左零空间。
零空间该如何求出来的,最简单的就是化成最简式
例如 存在一个初等矩阵E,化成最简式EA=R,
A,R拥有相同的行空间,即每行都是 (1,2,3)与(4,5,6)的线性组合,同时也是(1,0,-1)与(0,1,2)的线性组合。
对于 RX=0 可以求得 x的通解为
因此零空间就是(1,-2,1)的线性组合,它与矩阵A和R的行向量乘积都为0,即零空间与行空间正交。 此矩阵的行空间由两个互不相关的向量任意倍数组合而成,也就是行向量的基,可以看出行秩为2,即行空间的维度是2,零空间的维度是1。同理,对于左零空间的求法,就是对A进行转置,后面用相同的处理方法就可以的出来。
实际上,对于一个m行*n列的矩阵,4大子空间的维度有如下关系:如果矩阵A的列空间的维数是r,那么A的行空间的维数也是r,零空间 N(A) 的维数是n-r,左零空间 N(A) 的维数是m-r.
二、投影矩阵
在投影矩阵前,要先要了解向量怎么投影。就是在向量的终点处做一个垂线,垂直于要投影到的空间上。例如一个(1,2,3)的向量投影到x轴上就是(1,0,0),垂直的向量e为(0,2,3),投影到y轴上就是(0,2,0),e为(1,0,3),投影到xy平面上就是(1,2,0),e为(0,0,3)。
假设矩阵A有一个向量b在矩阵A的列空间上的投影为向量p,那么法向量就是 e=b-p存在一个投影矩阵P满足Pb=p,
对于 Ax=b ,假如有解,则b向量就是在A的列空间上,b投影到A的列空间就是b向量自己。如果Ax=b无解,也就是说b向量不在A的列空间上,但是可以有一个投影矩阵P,使向量b在A的列空间上的投影为p,有最优解即,
因为e垂直于平面A的列空间,,所以 e在A的左零空间中,即,其中e = b - p
因此得出 通过移项得到
所以 , 其中b的系数部分称之为投影矩阵
小知识:
用相同的投影矩阵投影多次,则相当于投影一次,即 。
对于Ax=b,如果b向量原来就在A的列空间上,那么p和b相同;如果b与A的列空间正交,那么p就是零向量。
三、最小二乘法
假如 Ax=b无解,但是我们可以求出b在A列空间上的最优解,因此最小二乘法实际上就是求最优解,其原理就是空间投影
即
例如在二维平面上有3个点(1,1) (2,2) ,(3,2),求一个直线函数 f(x)=ax +b 满足过那3个点的最优解。
有三个方程,两个未知数
化成矩阵形式 Ax=b 为 ,此方程式无解的,但是有最优解为
得到
求得
最小二乘法的原理就是空间的投影,不仅可以拟合曲线还可以用来求一些问题的最优解等,例如多项式插值等。
矩阵的投影、线性拟合与最小二乘法相关推荐
- matlab 线性拟合polyfit_matlab最小二乘法拟合y=a*exp(-b/t),转换成线性用polyfit怎么写程序啊,有偿私聊我...
对两bai边取对数,得到dulny=rx+lna.这就变成了一个使用lny和x对zhir和lna的一个线性拟dao合.如果使专用MATLAB程序如下(假属设你的x和y都是列向量):A(:,1)=x;A ...
- 最小二乘法详解(线性拟合与非线性拟合)
监督学习中,如果预测的变量是离散的,我们称其为分类(如决策树,支持向量机等),如果预测的变量是连续的,我们称其为回归.回归分析中,如果只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表 ...
- Java实现最小二乘法线性拟合,传感与检测,单臂半桥全桥实验,江南大学自动化
因为作为资源上传不方便我们获取且我想免费分享给有需要的小伙伴,以后所有实验报告都通过文章形式记录输出了,仅供参考,欢迎交流.(最小二乘法代码在文末) 电桥特性曲线: Java实现最小二乘法线性拟合及计 ...
- 最小二乘法线性拟合及其代码实现(C语言)
文章目录 前言 一.最小二乘法 二.代码实现(C语言) 三.缺陷与不足 1. 对异常值很敏感 2. 没有考虑自变量的误差 3. 存在不可求解的情况 总结 参考 前言 最小二乘法是最常用的数据拟合方法. ...
- Matlab 隐函数方程求解最小二乘法拟合一阶线性拟合二阶拟合传感器实验
九层妖塔 起于垒土 Matlab 最小二乘法拟合一阶线性拟合&传感器实验 一.代码 二.数据处理结果 三.Notes 一.代码 %电容传感器位移实验数据 最小二乘法一阶线性拟合 x = ...
- 利用最小二乘法进行线性拟合
对一系列输入点(x,y)进行线性拟合出的直线方程为: y = Ax + B,根据最小二乘法求出A,B的公式为: 代码实现: // *********************************** ...
- matlab最小二乘法拟合图旋转,【Matlab】—{最小二乘法拟合一阶线性拟合传感器实验}...
[Matlab]-{最小二乘法拟合一阶线性拟合传感器实验} [Matlab]-{最小二乘法拟合一阶线性拟合&传感器实验} ???九层妖塔?起于垒土 [Matlab]-{最小二乘法拟合一阶线性拟 ...
- 主成分分析PCA算法:为什么去均值以后的高维矩阵乘以其协方差矩阵的特征向量矩阵就是“投影”?
这是从网上看到的PCA算法的步骤: 第一步,分别求每列的平均值,然后对于所有的样例,都减去对应的均值. 第二步,求特征协方差矩阵. 第三步,求协方差的特征值-显示全部 关注者 1,218 被浏览 78 ...
- 机器学习--主成分分析PCA算法:为什么去均值以后的高维矩阵乘以其协方差矩阵的特征向量矩阵就是“投影”?
原文链接:主成分分析PCA算法:为什么去均值以后的高维矩阵乘以其协方差矩阵的特征向量矩阵就是"投影"?_天下对手教会少林武僧-CSDN博客_pca投影矩阵 这是从网上看到的PCA算 ...
最新文章
- 我爸和在我们小区里的一位老大爷
- 【SpringBoot】添加自定义浏览器图标 favicon.ico
- C语言 realloc函数 带着内存游走的函数
- 错误摘要 HTTP 错误 403.14 - Forbidden Web 服务器被配置为不列出此目录的内容。
- robotframework的学习笔记(十六)----robotframework标准库String
- 网络不良视频内容识别技术初探
- 每日总结 - Android TextView文字底部或者中间 加横线
- 【植被指数学习笔记】
- TFS2010学习之一
- gis 联合 融合_GIS空间数据融合方法
- 红帽6.2 DOS无盘 NetWare 制作
- 《西部世界》,能给现实世界的人工智能带来怎样的狂想
- ESP8266开发板刷WI-PWN固件(wifi杀手)教程(详细)
- 【转载】目前市场上主流的BI产品主要有哪些?
- [vue]vue接入AntV G2Plot
- ESP8266进阶篇
- 编写C语言程序 输出一个菱形
- 【Python零基础快速入门系列 | 03】AI数据容器底层核心之Python列表
- postgreSQL的外键级联删除
- java程序到winds下的服务