复数矩阵分解的拆解思路（矩阵求逆/特征值分解）

作者：桂。

时间：2017-10-26 07:11:02

链接：http://www.cnblogs.com/xingshansi/p/7735016.html

前言

主要记录特征值分解的硬件实现思路。

一、实数矩阵转化

在FPGA运算中，对实数运算通常优于对复数运算。假设C为复数矩阵：C= A+iB;且

C = C^H

从而A = A^T;B = -B^T；若C的奇异值所对应的奇异向量为u + iv，且满足：

对应有：

借助矩阵形式表示：

根据A、B的性质，存在：

一个NxN的Hermitian矩阵分解，转化为2Nx2N的实对称矩阵分解。

二、Jacobi算法（Givens旋转）

对于对称矩阵：

其中Givens参数：

该公式可进一步转化：$tan(2theta) = 2a_{ij}/(a_{jj}-a_{ii})$;theta可以借助cordic算法求解。

此处可以借助Cordic求解角度，也可以利用CORDIC求根号的思路进行sin、cos的计算：

aii= 1;
ajj = 3;
aij = 1.2;
tan_2 = (2*aij/(ajj-aii));
theta = 1/2*atan(tan_2);
tao = 1/tan_2;
t = sign(tao)/(abs(tao)+sqrt(1+tao.^2));
cos_1 = 1/sqrt(1+t^2)
cos_1_new = cos(theta)
sin_1 = t/sqrt(1+t^2)
sin_1_new = sin(theta)

使用Givens旋转左乘A，可以得到对角阵，右乘同样可以得出。只使用左乘\右乘的Givens旋转称为单边Givens旋转。与之不同，对nxn对称矩阵A同时采用左乘、右乘的方法，称为双边Givens旋转。

具体代码实现，参见：印象笔记-005常用算法-0020Jacobi算法。

借助之前SVD实现矩阵求逆的思路，矩阵求逆的硬件实现，也可以在此基础上直接实现。(此处实对称矩阵，利用：特征向量x特征值取反x特征向量转置，即完成矩阵求逆)

clc;clear all;
x = rand(4,100)*20+1i*rand(4,100)*20;
R =  x*x'/100;
A = real(R);
B = imag(R);
R_cat = [A  -B;B  A];
[D,V]=Jacobi(R_cat);
% V = V';
U_est = V(1:4,1:2:end)+1i*V(5:end,1:2:end);
D0 = diag(D);
D0 = 1./D0(1:2:end);
R_inv = U_est*diag(D0)*U_est'

三、并行拆解思路

对于nxn的矩阵分解，一种思路是寻找矩阵所有非对角元素中绝对值较大者进行双边Jacobi变换，使得该非对角线元素变为0.接着进行第二次变换，直到收敛至精度要求，O（n2）复杂度。

另一种是固定计算顺序的方法（术语：循环Jacobi，cycle Jacobi），简单粗暴且便于在硬件上实现(行/列):

假设矩阵维度为8，经过一次迭代的计算顺序可表示为：

仿真验证参考：Jacobi并行拆解

对于维度为N的矩阵，每一行的N/2个都可以并行，遍历一次（专业术语：Sweep）需要N-1个周期。对于N维度的矩阵，排序的顺序为：

如N = 10，除去1，2追溯到4，3追溯到2，5追溯到3.......依次类推。

S_0：(1,2)-(3,4)-(5,6)-(7,8)-(9,10)

S_1：(1,4)-(2,6)-(3,8)-(5,10)-(7,9)

......

BLV Array for N=8. Data transmission is represented as solid arrows and rotation parameters transmission with unfilled arrows.

复数矩阵分解的拆解思路（矩阵求逆/特征值分解）相关推荐

线性代数基础（矩阵、范数、正交、特征值分解、奇异值分解、迹运算）
目录基础概念矩阵转置对角矩阵线性相关范数正交特征值分解奇异值分解 Moore-Penrose 伪逆迹运算行列式如果这篇文章对你有一点小小的帮助,请给个关注喔~我会非常开心的~ 基 ...
矩阵特征值分解与奇异值分解含义解析及应用
本文转载自http://blog.csdn.net/xiahouzuoxin/article/details/41118351,仅用作个人学习. 特征值与特征向量的几何意义矩阵的乘法是什么,别只告诉 ...
矩阵特征值分解与奇异值分解(SVD)含义解析及应用
原文链接:http://blog.csdn.net/xiahouzuoxin/article/details/41118351 特征值与特征向量的几何意义矩阵的乘法是什么,别只告诉我只是" ...
机器学习知识点(十九)矩阵特征值分解基础知识及Java实现
1.特征值分解基础知识矩阵乘法Y=AB的数学意义在于变换,以其中一个向量A为中心,则B的作用主要是使A发生伸缩或旋转变换.一个矩阵其实就是一个线性变换,因为一个矩阵乘以一个向量后得到的向量,其实就相 ...
矩阵的特征值、特征向量、特征值分解、奇异值分解之间的关系
可逆矩阵 A⋅A−1=A−1⋅A=EA\cdot A^{-1}=A^{-1}\cdot A = EA⋅A−1=A−1⋅A=E 矩阵的几何意义是对一组向量进行变换,包括方向和模长的变化.而逆矩阵表示对其 ...
矩阵分解之: 特征值分解(EVD)、奇异值分解(SVD)、SVD++
目录: 1.矩阵分解 1.1 矩阵分解的产生原因 1.2 矩阵分解作用 1.3 矩阵分解的方法 1.4 推荐学习的经典矩阵分解算法 2. 特征值分解(EVD) 3. 奇异值分解(SVD) 4. SVD ...
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 ...
视觉SLAM中的数学——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
前言本博客主要介绍在SLAM问题中常常出现的一些线性代数相关的知识,重点是如何采用矩阵分解的方法,求解线性方程组AX=B.主要参考了<计算机视觉--算法与应用>附录A以及Eigen库的方 ...
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 ...

复数矩阵分解的拆解思路（矩阵求逆/特征值分解）

复数矩阵分解的拆解思路（矩阵求逆/特征值分解）相关推荐

最新文章

热门文章