- 博客(4)
- 收藏
- 关注
RSS订阅转载 特征向量物理意义
什么是特征向量，特征值，矩阵分解<br /><br />[1. 特征的数学意义]<br /> 我们先考察一种线性变化，例如x,y坐标系的椭圆方程可以写为x^2/a^2+y^2/b^2=1，那么坐标系关于原点做旋转以后，椭圆方程就要发生变换。我们可以把原坐标系的(x,y)乘以一个矩阵，得到一个新的(x',y')的表示形式，写为算子的形式就是(x,y)*M=(x',y')。这里的矩阵M代表一种线性变换：拉伸，平移，旋转。那么，有没有什么样的线性变换b(b是一个向量)，使得变换后的结果，看起来和让(
2011-01-27 23:46:00
2063
转载 特征值 特征向量 奇异值分解 SVD
特征向量确实有很明确的几何意义，矩阵(既然讨论特征向量的问题，当然是方阵，这里不讨论广义特征向量的概念，就是一般的特征向量)乘以一个向量的结果仍是同维数的一个向量，因此，矩阵乘法对应了一个变换，把一个向量变成同维数的另一个向量，那么变换的效果是什么呢？这当然与方阵的构造有密切关系，比如可以取适当的二维方阵，使得这个变换的效果就是将平面上的二维向量逆时针旋转30度，这时我们可以问一个问题，有没有向量在这个变换下不改变方向呢？可以想一下，除了零向量，没有其他向量可以在平面上旋转30度而不改变方向的，所以这个变换
2011-01-27 23:45:00
3310
原创 关于奇异值分解的一些讨论
<br />矩阵的奇异值分解和特征值分解的异同<br /> <br />简单的讲 所有的矩阵都可以进行奇异值分解，不管其是否是方阵以及对称矩阵。当所给的矩阵是对称的方阵，A(T)=A，二者的结果是相同的。也就是说对称矩阵的特征值分解是所有奇异值分解的一个特例。<br />但是二者还是存在一些小的差异，奇异值分解需要对奇异值从大到小的排序，而且全部是大于等于零。<br />在应用层面上，信号处理中常常遇到一些降维，主分量分析等等的处理需要用到奇异值分解。一般来讲，奇异值分解应用的范围比较广泛。<br />比如
2011-01-16 12:40:00
3579
1
转载 矩阵奇异值分解SVD用于图像压缩的要点
<br />矩阵奇异值分解：对于矩阵A，存在酉矩阵P和Q，使得PHAQ=D，其中D为对角线矩阵，其对角线上的元素为矩阵A的奇异值；并且有A=PDQH。<br /> 奇异值分解用于图像压缩的思路：从上面的理论中，我们可以看出D矩阵是稀疏矩阵，相对于原始矩阵（图像）A，D的有效数据少的多，而对于稀疏矩阵我们已经有很多压缩存储算法。然后，仅仅根据这个知识是无法直接把奇异值分解用于图像压缩的，因为在使用矩阵D来恢复矩阵A时，需要知道P和Q的内容，这样，反而增加了需要存储或传输的数据量，根本起不到压缩的作
2011-01-16 09:30:00
3961
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人