详解SVD(奇异值分解)
1、特征值分解(EVD)
实对称矩阵
在理角奇异值分解之前,需要先回顾一下特征值分解,如果矩阵是一个的实对称矩阵(即),那么它可以被分解成如下的形式
其中为标准正交阵,即有,为对角矩阵,且上面的矩阵的维度均为。称为特征值,是的(特征矩阵)中的列向量,称为特征向量。
(注:在这里表示单位阵,有时候也用表示单位阵。式(1-1)的具体求解过程就不多叙述了,可以追忆一下美好的大学时光的线性代数,简单地有如下关系:)
一般矩阵
上面的特征值分解,对矩阵有着较高的要求,它需要被分解的矩阵,它需要被分解的矩阵为实对称矩阵,但是现实中,我们所遇到的问题一般不是是对称矩阵。那么当我们碰到一般性的矩阵,即有一个的矩阵,它是否能被分解成上面的式(1-1)的形式呢?当然是可以的,这就是我们下面要讨论的内容。
2、奇异值分解(SVD)
2.1 奇异值分解定义
有一个的实数矩阵,我们想要把它分解成如下的形式
其中和均为单位正交阵,即有和,称为左奇异矩阵,称为右奇异矩阵,仅在主对角线上有值,我们称它为奇异值,其他元素均为0。上面矩阵的维度分别为。
一般地有如下形式(这里是4*5)
图1-1 奇异值分解
对于奇异值分解,我们可以利用上面的图形象表示,图中方块的颜色表示值的大小,颜色越浅,值越大。对于奇异值矩阵ΣΣ,只有其主对角线有奇异值,其余均为0。
2.2 奇异值求解
正常求上面的不便于求,我们可以利用如下性质
(注:需要指出的是,这里与在矩阵的角度上来说,它们是不相等的,因为它们的维数不同,而,但是他们在主对角线的奇异值是相等的,即有
可以看到式(2-2)与式(1-1)的形式非常相同,进一步分析,我们可以发现和也是对称矩阵,那么可以利用式(1-1),做特征值分解。利用式(2-2)特征值分解,得到的特征矩阵即为;利用式(2-3)特征值分解,得到的特征值矩阵即为;对或的特征值开方,可以得到所有的奇异值。
3、奇异值分解应用
3.1 纯数学例子
假设我们现在有矩阵,需要对其做奇异值分解,已知
那么可以求出和,如下
分别对上面做特征值分解,得到如下结果
U =
[[-0.55572489, -0.72577856, 0.40548161],[-0.59283199, 0.00401031, -0.80531618],[-0.58285511, 0.68791671, 0.43249337]]V =
[[-0.18828164, -0.01844501, 0.73354812, 0.65257661, 0.06782815],[-0.37055755, -0.76254787, 0.27392013, -0.43299171, -0.17061957],[-0.74981208, 0.4369731 , -0.12258381, -0.05435401, -0.48119142],[-0.46504304, -0.27450785, -0.48996859, 0.39500307, 0.58837805],[-0.22080294, 0.38971845, 0.36301365, -0.47715843, 0.62334131]]
奇异值=Diag(18.54,1.83,5.01)
详解SVD(奇异值分解)相关推荐
- 什么是奇异值?奇异值分解是什么?SVD分解详解及实战
什么是奇异值?奇异值分解是什么?SVD(Singular Value Decomposition)分解详解及实战 TSVD:Truncated Singular Value Decomposition ...
- 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 ...
- 奇异值分解(SVD)原理详解
奇异值分解(SVD)原理详解 一.奇异值与特征值基础知识: 特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法.两者有着很紧密的关系,我在接下来会谈到,特征值分解和奇异值分解的目的都是一样,就 ...
- 奇异值分解(SVD)的原理详解及推导
1. 写在前面 最近整理推荐系统模型的时候, 第二个模型打算整理一下隐语义模型, 这里面绕不开一种思想就是矩阵分解, 而作为矩阵分解的经典方法SVD感觉这次有必要学学了, SVD不仅是一个数学问题,在 ...
- 奇异值的含义(包含数学和物理)和SVD详解(包含酉矩阵的定义)
一.奇异值的含义(包含数学和物理) 下面的博客中分享了一个关于奇异值物理含义的文章那个 https://blog.csdn.net/u011754972/article/details/1221007 ...
- 深度学习优化函数详解(5)-- Nesterov accelerated gradient (NAG) 优化算法
深度学习优化函数详解系列目录 深度学习优化函数详解(0)– 线性回归问题 深度学习优化函数详解(1)– Gradient Descent 梯度下降法 深度学习优化函数详解(2)– SGD 随机梯度下降 ...
- ORB-SLAM2代码/流程详解
ORB-SLAM2代码详解 文章目录 ORB-SLAM2代码详解 1. ORB-SLAM2代码详解01_ORB-SLAM2代码运行流程 1 运行官方Demo 1.2. 阅读代码之前你应该知道的事情 1 ...
- 详解CPU漏洞对机器学习的影响:几乎所有卷积层都受影响,QR分解降速37%
作者 | Mikel Bober-Irizar 翻译 | 刘畅 编辑 | Donna (备注:KPTI 在计算机中指 Kernel page-table isolation,是一种Linux内核 ...
- 【OpenCV 4开发详解】图像透视变换
本文首发于"小白学视觉"微信公众号,欢迎关注公众号 本文作者为小白,版权归人民邮电出版社发行所有,禁止转载,侵权必究! 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4 ...
最新文章
- 【全网之最】全网最简单语句判断网页是否在移动端(手机端、PAD)打开
- 使用MLX90640自制红外热像仪(四):stm32f103c8t6刷320x240分辨率屏的时间测试
- c++中vector使用说明
- java ee用户登录_EE Servlet 3:使用会话和过滤器开发用户登录
- mysql数据库表复制备份_mysql数据库的备份以及表格数据之间的复制
- Jenkins中切换devtoolset
- DOTNET Core MVC(二)路由初探
- 16-margin的用法
- matlab提示音,matlab发出声音 - osc_45mm6g1p的个人空间 - OSCHINA - 中文开源技术交流社区...
- Spring注解配置框架
- Halcon入门笔记一
- Oracle 11G安装出错(Oracle执行先决条件检查失败)
- 非标准分布随机数生成 - 逆变换ITM与舍选法Rejection
- cup过高是什么意思_cpu占用率过高是什么原因
- 白鹭科技挂牌新三板 连续三年亏损
- 【渝粤题库】广东开放大学 公共政策学 形成性考核
- Python 用print打印五彩斑斓、花里胡哨的文字,让你的print骚起来。
- NEU健康上报脚本解析教程
- 一个简单的Java测试类型服务器
- 只能上qq不能上网的问题,跟adsafe有关
热门文章
- Beginning Auto Layout Tutorial in iOS 7: Part 2
- 手机号 电话号码 邮箱 验证
- QQ号码丢了不用着急 一步一步找回来
- can和could的用法_can和could的用法
- 浏览器配置异常_IE浏览器常见故障及问题解决方法大全
- 免费的视频转换软件。包括qlv全可以转
- 搞不定思想和组织转变,何谈企业转型
- Ubuntu18.04+ROS melodic 安装调用 RealSense L515
- Symbian S60 5th 切换程序UI方向为横屏或竖屏
- 实现PC视频播放最强画质教程( Potplayer播放器+MADVR插件)