AI智能
改变未来

奇异值分解的原理(Singular Value Decomposition (SVD))

  • 奇异值分解的背景
    矩阵(方阵)的对角化存在三大问题:(1) 特征向量通常不正交;(2)特征向量的数量通常不足;(3)要求矩阵是方阵。

  • AATAA^{\\mathrm{T}}AAT和 ATAA^{\\mathrm{T}}AATA的特征分解
    u和v分别是其特征向量

  • 奇异值分解
    A[v1⋅⋅vr⋅vn]=[u1⋅ur⋅um][σ1⋱σr]A\\left[v_{1} \\cdot \\cdot v_{r} \\cdot v_{n}\\right]=\\left[u_{1} \\cdot u_{r} \\cdot u_{m}\\right]\\left[\\begin{array}{c}\\sigma_{1} \\\\ \\ddots \\\\ \\sigma_{r}\\end{array}\\right]A[v1​⋅⋅vr​⋅vn​]=[u1​⋅ur​⋅um​]⎣⎡​σ1​⋱σr​​⎦⎤​

赞(0) 打赏
未经允许不得转载:爱站程序员基地 » 奇异值分解的原理(Singular Value Decomposition (SVD))