奇异值分解 本质矩阵_Singular Value Decomposition(奇异值分解)
- 简介
SVD是将矩阵A分解为U,∑和V三个矩阵,如下:
假设矩阵A是一个6行4列的矩阵,则SVD分解如下:
其中:
VT是一个行向量正交矩阵,即其中任意两个行向量vi正交;
∑是对角矩阵,对角线上有n个非零值(n等于矩阵A的秩),∑矩阵其它位置均为0;例子中矩阵A的秩为3,所以∑对角线上只有3个非零值分别为s1,s2,s3,三者被称为矩阵A的奇异值;
U是一个列向量正交矩阵,即其中任意两个列向量ui正交;
2. 意义解析
奇异值分解相当于对矩阵A在另一个空间Rx的解析/表达,其中:
矩阵V中的正交向量vi是Rx空间的一组正交基;
∑对角线上的值si代表数据在Rx空间对应基vi方向上的差异度;如s1对应v1,s2对应v2,s3对应v3;si越大代表数据在vi方向上区分度越高;
矩阵U中每一行R_ui代表矩阵A中对应的行R_ai在Rx空间中的表达;上例中,U中每一行是一个6维向量,但矩阵A的秩为3,所以U中每一行的前3维(即蓝色的u1,u2,u3维)即可代表A的对应行在Rx空间中的信息;
因为∑空间对角线上的值si代表数据在Rx空间基vi方向上区分度,或者说“重要度”,值越大越重要,所以可以将si较小的值置零,然后经U∑VT运算得矩阵A’( A’的shape和A的shape相同),矩阵A’保留了原矩阵A的绝大部分信息(同时去除了原矩阵A数据中的大量噪音);
3. 示例
以一个图片数据进行SVD为例,原图片如下,表达图片的数据矩阵A为400X400;
将A分解为U∑VT,保留∑中最大的1个值,得到还原矩阵A’代表的图像如下:
保留∑中最大的2个值,得到还原矩阵A’代表的图像如下
保留∑中最大的10个值,得到还原矩阵A’代表的图像如下
保留∑中最大的50个值,得到还原矩阵A’代表的图像如下
4. SVD和PCA的关系:
由上式可得,SVD求得的V矩阵就是PCA的特征向量矩阵,而∑矩阵中的奇异值的平方就是PCA的特征值;而实际PCA通常就是通过SVD求解的;
奇异值分解 本质矩阵_Singular Value Decomposition(奇异值分解)相关推荐
- 【机器学习的数学基础】(七)矩阵分解(Matrix Decomposition)(中)
文章目录 4 矩阵分解(Matrix Decomposition)(中) 4.3 Cholesky分解 4.4 特征分解与对角化 4.5 奇异值分解 4.5.1 几何图解SVD 4.5.2 SVD的构 ...
- 推荐系统学习笔记之三 LFM (Latent Factor Model) 隐因子模型 + SVD (singular value decomposition) 奇异值分解
Low Rank Matrix Factorization低阶矩阵分解 在上一篇笔记之二里面说到我们有五部电影,以及四位用户,每个用户对电影的评分如下,?表示未评分. Movies\User User ...
- 一文帮你梳理清楚:奇异值分解和矩阵分解 | 技术头条
作者 | K. Delphino 译者 | Linstancy 编辑 | Rachel 出品 | AI科技大本营(id:rgznai100) [导读]在推荐系统的相关研究中,我们常常用到两个相关概念: ...
- Chapter 7 (Symmetric Matrices and Quadratic Forms): The Singular Value Decomposition (奇异值分解, SVD)
目录 奇异值 奇异值的定义 非零奇异值 The Singular Value Decomposition (SVD) 奇异值分解 一些性质 几何解释 紧奇异值分解与截断奇异值分解 奇异值分解与矩阵近似 ...
- 矩阵的奇异值分解matlab,矩阵奇异值分解(SVD)
看到一个博客园里讲解奇异值分解的博文,说的很清楚,加深了对SVD的理解,分享一下! 强大的矩阵奇异值分解(SVD)及其应用 摘录一些话如下: 奇异值分解是一个有着很明显的物理意义的一种方法,它可以将一 ...
- matlab 求矩阵奇异值,matlab怎么求矩阵的奇异值和奇异值分解 来看看吧
有时候我们在使用matlab进行运算的时候,想求矩阵的奇异值和进行奇异值分解,怎么操作呢,下面来分享一下方法 工具/材料 matlab 矩阵的奇异值和奇异值分解 操作方法 01 第一步我们首先需要知道 ...
- 单目初始化 单应矩阵 本质矩阵 恢复R t 三角变换求 3D点
单目初始化 单应矩阵 本质矩阵 恢复R t 三角变换求 3D点 博文末尾支持二维码赞赏哦 ^_^ /* * This file is part of ORB-SLAM2 * * 单目相机初始化 * 用 ...
- 多视图几何总结——基础矩阵、本质矩阵和单应矩阵的求解过程
多视图几何总结--基础矩阵.本质矩阵和单应矩阵的求解过程 多视图几何总结--基础矩阵.本质矩阵和单应矩阵的求解过程 1. 说明--其实求解过程大同小异 2. 单应矩阵求解过程 2.1 基于代数误差的线 ...
- 视觉SLAM十四讲学习笔记-第七讲-视觉里程计-对极几何和对极约束、本质矩阵、基础矩阵
专栏系列文章如下: 专栏汇总 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLA ...
最新文章
- 图论(二分图构造) ---- 二分图的性质 C. Arpa’s overnight party and Mehrdad’s silent entering
- Linux程序开机启动
- A quick complete tutorial to save and restore Tensorflow models
- python金融量化风险_【手把手教你】Python量化策略风险指标
- Eclipse——WindowBuilder下载错误导致的安装失败解决方案
- linux应用程序是什么,linux下c开发了一个应用程序,它的扩展名是什么?
- apicloud入门学习笔记1:简单介绍
- gps有几个轨道面_同样是精准定位,为何GPS只用24颗卫星,北斗却需要55颗卫星?...
- 三维设计和动画:Cinema 4D R25 for mac(c4d r25)
- Laravel关联模型中过滤结果为空的结果集(has和with区别)
- 打印流(处理流)——PrintStream,PrintWriter
- Mediacoder基本教程
- SSM框架原理流程及使用方法
- 什么是Winsock WSAData ?
- python3 加密压缩zip_Python实现加密压缩成RAR或ZIP文件
- JDBC驱动与MySQL版本不兼容的问题
- [转] 【幽默搞笑】笑死你,别怪我!(狠逗、狠强)
- 华中科技大学计算机专业期末考试,华中科技大学计算机网络试题
- Datadome 最新逆向分析(支持爱马仕)
- 【SPSS】百分位数计算方法探讨:SPSS计算差异