matlabsvd提取特征值_matlab特征值分解和奇异值分解
特征值分解
函数 eig
格式 d = eig(A) %求矩阵A的特征值d,以向量形式存放d。
d = eig(A,B) %A、B为方阵,求广义特征值d,以向量形式存放d。
[V,D] = eig(A) %计算A的特征值对角阵D和特征向量V,使AV=VD成立。
[V,D] = eig(A,'nobalance') %当矩阵A中有与截断误差数量级相差不远的值时,该指令可能更精确。'nobalance'起误差调节作用。
[V,D] = eig(A,B) %计算广义特征值向量阵V和广义特征值阵D,满足AV=BVD。
[V,D] = eig(A,B,flag) % 由flag指定算法计算特征值D和特征向量V,flag的可能值为:'chol' 表示对B使用Cholesky分解算法,这里A为对称Hermitian矩阵,B为正定阵。'qz' 表示使用QZ算法,这里A、B为非对称或非Hermitian矩阵。
说明 一般特征值问题是求解方程: 解的问题。广义特征值问题是求方程: 解的问题。
奇异值分解
函数 svd
格式 s = svd (X) %返回矩阵X的奇异值向量
[U,S,V] = svd (X) %返回一个与X同大小的对角矩阵S,两个酉矩阵U和V,且满足= U*S*V'。若A为m×n阵,则U为m×m阵,V为n×n阵。奇异值在S的对角线上,非负且按降序排列。
[U,S,V] = svd (X,0) %得到一个“有效大小”的分解,只计算出矩阵U的前n列,矩阵S的大小为n×n。
奇异值分解压缩图像
clear all;
close all;
clc;
a=imread('C:\Users\ranji\Desktop\rgb_image.jpg');
imshow(mat2gray(a))
[m n]=size(a);
a=double(a);%r=rank(a);
[s v d]=svd(a(:,:,1)); %取一个分量%re=s*v*d';
re=s(:,:)*v(:,1:1)*d(:,1:1)';
figure;
imshow(mat2gray(re));
imwrite(mat2gray(re),'C:\Users\ranji\Desktop\1.jpg')
re1=s(:,:)*v(:,1:20)*d(:,1:20)';
figure;
imshow(mat2gray(re));
imwrite(mat2gray(re),'C:\Users\ranji\Desktop\2.jpg')
re=s(:,:)*v(:,1:80)*d(:,1:80)';
figure;
imshow(mat2gray(re));
imwrite(mat2gray(re),'C:\Users\ranji\Desktop\3.jpg')
re=s(:,:)*v(:,1:150)*d(:,1:150)';
figure;
imshow(mat2gray(re));
imwrite(mat2gray(re),'C:\Users\ranji\Desktop\4.jpg')
不同特征值进行重构的效果。。。
最后说一些奇异值分解的应用:
1.图像压缩,正如上面的。
2.噪声滤波。
3.模式识别。因为svd就是提取主要的成分嘛。
4.生物,物理,经济方面的一些统计模型的处理。
matlabsvd提取特征值_matlab特征值分解和奇异值分解相关推荐
- 特征值分解、奇异值分解、PCA概念整理(转载)
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/jinshengtao/article/details/18448355 本文将分别介绍特征值分解.奇 ...
- 机器学习中特征值分解与奇异值分解的区别及应用
前言: 上一次写了关于PCA与LDA的文章,PCA的实现一般有两种,一种是用特征值分解去实现的,一种是用奇异值分解去实现的.在上篇文章中便是基于特征值分解的一种解释.特征值和奇异值在大部分人的印象中, ...
- 人工智能里的数学修炼 | 矩阵的花样分解:特征值分解(EVD)、相似对角化、QR分解、Schur分解、奇异值分解(SVD)的概念纠缠与详解
前言 在高等代数里,矩阵分解是一个十分基础与重要的内容,任何一个学校对于理工科的研究生教育都会开设相应的课程,如:矩阵分析.矩阵论.线性系统等.看了不少社区的问答.笔记和博客,在它们的基础上加入一些自 ...
- 特征值分解和奇异值分解
这里写目录标题 特征值分解和奇异值分解比较 相同处 不同处 特征值分解 特征值.特征向量 特征值分解 特征值分解例子 奇异值分解 奇异值分解 奇异值分解两种方法 奇异值分解例子 特征值分解和奇异值分解 ...
- 特征值分解、奇异值分解、PCA概念整理
本文将分别介绍特征值分解.奇异值分解.及PCA的相关理论概念. 文章末尾将给出Householder矩阵变换.QR算法求解特征值.特征向量的代码 其中,特征值分解.奇异值分解的相关内容,转载自: ht ...
- 【PCA与LDA】特征值分解与奇异值分解以及图像压缩处理原理
前言: 上一次写了关于 PCA与LDA 的文章,PCA的实现一般有两种,一种是用特征值分解去实现的,一种是用奇异值分解去实现的.在上篇文章中便是基于特征值分解的一种解释.特征值和奇异值在大部分 ...
- 特征值分解与奇异值分解的相关学习记录
特征值分解与奇异值分解的异同: https://www.cnblogs.com/litaotao-doctor/p/5320521.html 转载于:https://www.cnblogs.com/c ...
- 机器学习(十五)SVD(特征值分解和奇异值分解的区别)
首先从意义上理解: 数学解释:https://blog.csdn.net/u010099080/article/details/68060274 相关概念 参考自维基百科. 正交矩阵:若一个方阵其行与 ...
- 特征值分解,奇异值分解svd
特征值分解: 特征值分解(Eigen decomposition),又称谱分解(Spectral decomposition)是将矩阵分解为由其特征值和特征向量表示的矩阵之积的方法.需要注意只有方阵才 ...
- 解方程AX=b与矩阵分解:奇异值分解(SVD分解) 特征值分解 QR分解 三角分解 LLT分解
文章目录 1. 前言 2. LU三角分解 3. Cholesky分解 - LDLT分解 4. Cholesky分解 - LLT分解 5. QR分解 6. 奇异值分解 7. 特征值分解 1. 前言 本博 ...
最新文章
- NLP领域“学霸”太多,一年前标准已过时,新跑分标准SuperGLUE出炉
- TCP/IP 知识点问答(三)
- 净化网络环境!可信数字内容版权服务解决方案发布
- log4j.xml配置文件
- [VMware WorkStation]虚拟机网络
- python编程项目中遇到的困难_python开发中遇到的常见问题,你们又是如何解决的呢?如何快速的学好python,有没有什么小技巧?...
- 用eclipice抓取JS代码
- 轻量化网络:ShuffleNet V2
- 2010_8_16_Router_路由器的密码恢复
- atitit.hbnt orm db 新新增更新最佳实践o99
- 2021-2027全球与中国MSMS探针卡市场现状及未来发展趋势
- java下载天地图数据,天地图离线地图,可指定经纬度范围
- 一篇文章带你深入了解Dart语言
- 计算机键盘静音键咋不亮,键盘上的声音开关键不能用为什么
- HCIA 学习笔记 准备考试
- rocky linux 8.5 基本设置
- 鸿蒙os2021升级日程,消息称华为EMUI 11.1三月上线:更... - @是Ustinian鸭 的微博精选 - 微博国际站...
- MySQL常规篇之增删改查(精选)
- python气泡图的地图_基于Python图表绘图系统:matplotlib散点图和气泡图,你了解吗?...
- 车联网平台介绍(一)
热门文章
- 图像处理之对比度增强
- 计算机电子表格编辑栏,#wps显示不出来excle#WPSexcel怎么把表格里的内容全部显示在编辑栏里...
- ae合成设置快捷键_必收藏的AE常用快捷键(全不全,看过才知道)
- 轻触开关式三功能手电筒3-5W驱动芯片AH3301
- 网络攻防之http host字段
- Flask框架从入门到精通之消息闪现和日志记录(二十一)
- 很荣幸,和各位一起创造了历史
- Android 项目正式签名打包教程
- 记忆网络之Dynamic Memory Networks模型介绍及代码实现
- 博客怎么推广才能达到最佳优化效果