序言:
奇异值分解是一个有着很明显物理意义的方法,在图像去噪方面有很重要的应用。大致意义可以这样理解:在描述一个人时,给别人描述浓眉大眼,方脸,爆炸头等,很容易就可以让人联想到这个人的大致模样。
实际上,人脸的特征不计其数,但只需要描述出最重要的几个特征,人们就可以想象出大致模样,这是因为人能够对一些事物的重要特征做抽象提取。而SVD,正是机器抽象提取一些事物重要特征的方法。
公式:
其中为的矩阵,是一个的方阵(中的向量都是正交的,被称为左奇异向量)。是一个的对角矩阵(除对角线元素外,其他元素全为0,对角线上的元素称为奇异值),是一个的矩阵(中的向量都是正交的,被称为右奇异向量)。
其中是的特征向量的集合,即设,其中集合就是。并设
其中就是奇异值,即对角线上的元素。集合就是,即左奇异向量。
原因:
中的值是按照从大到小的顺序排列的, 而且递减的速度特别的快。很多情况下前10%甚至前1%就占据了全部奇异值之和的99%。故可只计算前k个奇异值,其中。
推荐文章: