- 博客(179)
- 收藏
- 关注
原创 矩阵理论| 特殊矩阵:正定矩阵
一方面因为实对称正定矩阵拥有良好性质,另一个原因是实对称正定矩阵的分析就足以应付其他一般的正定矩阵(原理:任何矩阵。
2023-02-13 21:41:40
6134
原创 矩阵理论| 特殊矩阵:Hermite矩阵/共轭对称矩阵
这里反映了一个问题:我们看待矩阵分解时,常常过度关注分解式所产生的简约形式,反而因此忽略了变换矩阵。这里合适的方法是,使用使用 Schur 定理将矩阵三角化,因为其左右变换矩阵都是酉矩阵,有助于化简。①分析:这里使用SVD和Jordan标准型都不奏效,使用SVD。Hermite矩阵是复数域上的“对称矩阵”根据 Schur 定理矩阵三角化,是Hermite矩阵,有如下几个。的对角线上的元素为特征值。
2023-02-13 21:28:48
3997
1
原创 矩阵理论| 特殊矩阵:幂等矩阵、投影、正交投影
(后面证明),有充足的无关特征向量,代数重数=几何重数,投影矩阵。投影矩阵 /幂等矩阵 (idempotent matrix)做投影,斜投影矩阵有无数个,正交投影矩阵则只有一个(下面先介绍一般投影的特点,然后再介绍正交投影。(列向量线性无关),我们希望向列空间。另外,投影矩阵的重要意义是,投影。如图,任意向量可拆分为投影部分。(正交投影的应用:最小二乘法)),我们可以直接说矩阵。**必然可以相似对角化。如图,任意向量可拆分为。和投影的“轨迹”部分。理解:“垂直投影”即。
2023-02-13 21:19:48
6099
5
原创 矩阵理论| 特殊矩阵:酉矩阵、旋转与镜射
则是旋转变换+镜像变换(将x/y轴对调,相当于关于直线y=x的镜像反射)复数域的“正交矩阵”就是酉矩阵。酉矩阵的列向量组为一组标准正交基,因而。)、矩阵三角化的 Schur 定理(为上三角阵)、正规矩阵的酉对角化(,这是不适当的正交矩阵。,这是适当的正交矩阵。
2023-02-13 21:18:52
5693
1
原创 矩阵理论| 特殊矩阵:Householder矩阵 / 镜射矩阵
以上面的三对角化为基础,Householder 变换的两个主要应用都是在数值线性代数的内容:①执行 QR 分解;②计算特征值的 QR 迭代法的第一步。从第一列开始,依次将每一列变为三对角阵的形式,具体方法是设计一个可逆矩阵。,因而Householder矩阵是可逆的。正交投影至(镜射超平面的)法向量。到镜射超平面 的正交投影点就是。基于上面给出的最后一个性质,关于镜射超平面的 镜射点是。Householder矩阵。①从形式上,显然是对称矩阵。,其镜射变换后的向量为。上的投影长度,如图)
2023-02-13 21:13:48
6064
1
原创 矩阵理论| 特殊矩阵:初等矩阵(1) - (行列式、逆矩阵、特征向量)、初等矩阵的相关定理和性质
下一篇文章会指出,基本投影矩阵、基本镜射矩阵/Householder矩阵(酉矩阵)、初等行变换矩阵,都属于初等矩阵。从高斯消元法来看,此性质就是说,一定存在初等矩阵,能够将每一列。在矩阵求逆时,我们学习过Gauss-Jordan法:将矩阵。任意非奇异/可逆矩阵,必然可以分解为若干个初等矩阵之积。为秩1矩阵(列向量乘以行向量,称为。具体消元的初等矩阵就是之后要介绍的。,特征值全为1(代数重数为。执行的初等行变换操作记为。,必然存在初等矩阵,使得。的正交补)中的任意向量。利用特征向量的知识,
2023-02-13 21:00:17
917
原创 矩阵理论| 特殊矩阵:初等矩阵(2) - 几何意义、一些特殊的初等矩阵举例(基本投影矩阵、基本镜射矩阵/Householder矩阵、初等行变换矩阵)
初等行变换不改变行空间、左零空间,可能改变列空间、零空间,但是能保持列向量之间的相关性。、以Y轴做镜面反射的矩阵(Householder矩阵),基本投影矩阵并不是一个初等矩阵(因为不可逆),这是Householder矩阵,对应镜射变换。引入初等矩阵,实际上是希望将很多常用的矩阵。我们已经知道,对矩阵做初等行变换,等价于用。是一个切变 (shear) 矩阵,他将向量。满足一些特殊关系时,初等矩阵又有。例如,初等行变换所乘的矩阵。、正交投影至XY平面的矩阵。个元素为1,其余为0),从而简化矩阵的设计。
2023-02-13 20:59:53
1385
原创 矩阵理论| 基础:矩阵范数
上述的矩阵范数,仅是将矩阵视为广义的向量,却忽略了矩阵的“线性变换”意义(矩阵具有移动向量空间的能力)上面的F范数、算子2范数、核范数都是酉不变范数,进而都与奇异值有关;若将矩阵视为广义的向量,那么。然而,更一般的情况下,根据EVD/SVD的几何意义,特征向量是变换后。范数就是向量的几何长度,求算子范数就是找向量的最大伸缩量。从向量Lp范数推广,(将矩阵视为向量),可以直接得到。,对应的受到最大程度拉伸的向量是右奇异向量(理解:根据定义,算子范数就是将矩阵。一开始说过,自相容的矩阵范数满足。
2023-02-08 14:31:56
5116
1
原创 矩阵理论| 基础:向量范数、赋范向量空间与内积空间、重要不等式
范数是度量向量/矩阵/张量大小的方法范数定义了向量到实数的某种映射,并且满足正定性、齐次性、三角不等式∥v∥≥0∥cv∥∣c∣∥v∥∥vw∥≤∥v∥∥w∥。
2023-02-08 14:31:43
1204
原创 矩阵理论| 基础:Jordan标准型(从Jordan标准型求代数重数/几何重数/特征向量)
Jordan标准型在数值计算上的用处不大,但是可用于分析矩阵特征值情况,另外,证明两个矩阵相似的通用方法就是证明它们有相同的Jordan标准型。矩阵可对角化,那么其所有特征值的几何重数=代数重数,也就是说其Jordan标准型中所有的Jordan块都必须为1阶的。(可对角化的矩阵,其无关特征向量可张成整个空间,而Jordan标准型的情况,其所有广义特征向量张成整个空间),详见。因此,两个矩阵相似的一大特点是:特征值相同,各特征值的几何重数/代数重数相同。的特征值为0,且相应的特征子空间维数为。
2023-02-07 17:18:03
7256
1
原创 矩阵理论| 基础:特征值与特征向量、代数重数/几何重数、相似对角化和Jordan标准型
由上面的知识,特征值0的代数重数等于几何重数,特征值1的代数重数也等于几何重数,故幂等矩阵一定可以相似对角化。实对称矩阵(n个正交的特征向量)、幂等矩阵(证明见后文)必然可以相似对角化。首先注意,代数重数与几何重数的概念,都是针对某一个特征值。不同特征值对应的特征子空间的交为{0},幂等矩阵的特征值只可能为0和1(由。的特征值与特征向量满足。(其维数=代数重数,
2023-01-31 14:00:23
1795
原创 矩阵理论| 基础:线性变换(正交/酉变换、对称/共轭变换、正规变换)、不变子空间
(任意向量都可以表示为基向量的线性组合,结合上线性变换的可加性与数乘性,即可证明):在一组标准正交基下的矩阵为正规矩阵,满足。正交变换、对称变换、反对称变换都是正规变换。ps. 这里的值域/列空间记为。给定一个坐标系后,线性变换。具有良好性质的一类变换是。,两个不同的特征向量满足。,结合上共轭矩阵的性质得。进一步的,不变子空间。
2023-01-31 13:59:14
4261
原创 矩阵理论| 基础:线性子空间(非平凡子空间)、空间分解、直和分解
上面的情况,空间分解后,两个子空间有公共的基向量;进而,N维空间,可以不断分解为N个一维子空间的和。中向量的叠加,如果这种表示是唯一的,称为。、分别张成两个自空间(没有公共的基)空间中的任意向量,可以表示为子空间。的基向量,因此问题转化为求解方程。,且两个子空间相加得到整个原空间。,那么该矩阵行初等变换后得到的。将两个子空间的基 组合为矩阵。个无关的解,每个解对应的系数。并且,一般的空间分解满足,没有有公共的基向量,这就是。中的向量,必须满足既能由。的基表出,即满足方程。
2023-01-31 13:54:58
5442
原创 线性代数学习笔记10-3:奇异值分解SVD(从四个子空间角度理解)、瘦奇异值分解(thin SVD)
不可能既在行空间中,又在零空间中,因此假设不成立。一定在行空间中(两个行空间中的向量的线性组合)中,就是其右下角的0元素,对应上图蓝色部分。为半正定矩阵,其特征值正数和0,对应。为正定矩阵,其特征值全为正,对应。前面笔记10-1说过,SVD(也就是说对于行空间中的向量。反证法:对于行空间的向量。,则必有列空间中的向量。
2022-11-30 13:38:28
1417
原创 通信原理学习笔记5-2:数字调制——连续相位和恒包络问题(非线性功放、连续相位CP FSK信号、最小频移键控MSK、GMSK)
波形连续和恒包络之间存在矛盾:想要恒包络就会有跳变(波形不连续,频谱扩展);想要连续波信(连续相位),为了平滑过渡就没有恒包络下面会看到:功率放大器(简称功放),理想的功放能线性放大信号的功率,从而使信号传播更远,即y(t)=kx(t)y(t)=kx(t)y(t)=kx(t),kkk为放大系数;而实际中功放是非线性的为避免非线性功放的频谱扩展问题,应该尽量使用功放的线性区域(图中的PLP_LPL)这就是说,需要保证功放输入端的信号最大功率不能超过PLP_LPL限制输入信号最大功率为PLP_LP
2022-11-21 16:30:07
6359
5
原创 5G笔记| 概述:F-OFDM、新型NOMA多址
5G的多样化需求通过新型调制编码、新型多址、大规模天线和新型多载波等技术来满足,其中新型多载波技术有等技术,它们都,从而放松时频同步的要求,避免OFDM的主要缺点。
2022-10-24 10:57:38
5262
原创 5G笔记| 概述:5G帧结构与频谱
参数依次为MIMO层数、每符号bit数(调制方式)、编码率、单载波RB数、每个OFDM符号时长、每个无线帧开效率(考虑控制、参考信号)此外,5G还有”迷你时延“,一个迷你时延最短只有一个OFDM符号的长度,从而灵活向数据传输队列中插入数据,获得更低的时延。,FDD使用对称频谱,TDD使用非对称频谱,还在特定频段引入补充下行链路SDL、补充上行链路SUL。TDD系统通过时隙来区分两个方向,无需FDD中的两段相同带宽的频段,称为。“n”的含义:原来是LTE的频段,在5G中再次被定义,即。
2022-10-24 10:54:46
4701
3
原创 5G笔记| 概述:5G网络架构(NSA/SA组网)、无线资源控制RRC、语音通话
4G网络使用分组交换 PS(Packet Switch),然而如果仅依靠IP数据包传输语音业务,无法没法保证业务质量(IP网络尽力而为),因此当前仍然保留2G网络,而不是直接废除(在 4G 网络覆盖不足/4G 手机不支持 VoLTE时,就会切换到2G网络,保障基础的话音业务)如果5G用户处于 5G 基站覆盖范围内( 5G 小区的RSRP 大于一定门限值),手机将其到含有 5G 小区 RSRP 的测量报告MR(Measurement Report)上传到4G锚点,4G 基站就会开始。4G锚点覆盖范围为蓝色;
2022-10-24 10:52:56
15763
1
原创 5G笔记| 概述:5G三大应用场景、5G关键技术概览
5G(5th Generation Mobile Communication System)指第五代移动通信系统。
2022-10-24 10:48:12
17555
1
原创 通信原理学习笔记6-5:数字解调——译码的硬判决与软判决
从量化角度理解,硬判决是一级量化(0或1两种电平量化),而软判决可认为多级量化(软判决输出的是模拟量,实现为多电平量化),因此软判决虽然更复杂,但性能优于硬判决(例如,软判决中采用3比特电平的量化,相较于硬判决能带来约2dB的性能增益)(log-likelihood ratio),也即所谓的“软信息”(它提供了关于不同判决可靠性的额外概率信息,从而可以用于衡量判决的可靠性)可见,LLR的计算就是后验概率的比较,并最终转化为了欧式距离的计算:对每一个接收符号而言,其LLR就是在比较 [该符号到最近。
2022-10-15 20:12:12
10313
1
原创 通信原理学习笔记6-4:数字解调——抽样判决的译码准则(最大后验概率准则MAP、最大似然准则ML、最小二乘/最小平方准则LS、最小距离准则)
在无ISI时,任意位置nnn上的一个符号InI_nIn,经过AWGN信道、匹配滤波器、采样后,得到符号YnY_{n}YnYn=In+nnY_{n}=I_{n}+n_{n}Yn=In+nn两种典型的译码准则分别是最大后验概率准则MAP和最大似然准则ML假设发出符号集XXX(原因),接收到符号集YYY(结果),下面译码的都是都是已知YYY求解XXX的问题P(X)P(X)P(X)称为先验概率(未观测到结果YYY前,XXX的概率),P(X∣Y)P(X|Y)P(X∣Y)称为后验概率,P(Y∣X)P(Y|X)
2022-09-25 22:11:20
5365
2
原创 通信原理学习笔记6-3:数字解调——判决和误码率推导
根据 [通信原理学习笔记6-1],基础的解调链路由nInYnYn=In+nnnnn(t)g(T−t)nB(t)=∫−∞∞n(τ)g[t−(T−τ)]dτnB(t)T+nTsnnRnn[n]=2N0δ[n]N0/2。
2022-09-25 22:10:38
2857
原创 通信原理学习笔记6-2:数字解调——抽样和符号同步
为了摆脱对于信息符号的依赖,将似然函数对将信息符号做统计评价,得到平均的似然函数,并经过一系列处理得到简洁的似然函数。综上所述,“载波恢复”的步骤必须独立进行,它和符号同步是两个不同的功能。,而这里用了显式的微分表达;另外,这里的加法器起到了环路滤波器的作用。另外,由于发射机和接收机的振荡器都存在频率漂移,振荡频率。,经过AWGN信道、匹配滤波器、采样后,得到符号。,“载波恢复”和“符号同步”两个步骤不能合二为一。,而是假设已经进行了最佳的符号同步,并从。区别是,载波恢复中,微分的结果是相移。
2022-09-25 22:10:26
1759
原创 通信原理学习笔记6-1:数字解调——基础解调链路、匹配滤波器和AWGN信道最佳接收机
基础的解调链路由下变频、匹配滤波器、抽样、判决组成发射信号经过AWGN信道,混入噪声;接收端下变频后,我们用匹配滤波器尽量减小信道噪声的影响由此,综合考虑无ISI(升余弦滚降滤器)和信噪比最大化(匹配滤波器),得到AWGN信道的最佳接收机:发端成形滤波器使用RRC,而收端匹配滤波器也使用RRC:采样判决时刻的选择:整体建模如下(形滤波器使用RRC,记为g(t)g(t)g(t)):由于上面说过,匹配滤波器也使用RRC,两个RRC合并可以实现无ISI,因此下面无需考虑多个符号,只考虑一个符号的情况,即下面只考
2022-09-25 22:02:03
2647
原创 通信原理学习笔记5-1:数字调制——脉冲成形滤波器选择(码间串扰、Nyquist准则、升余弦滚降滤波器、眼图)
bkInMMI(t)=∑n=−∞∞Inδ(t−nTs)g(t)s(t)=I(t)∗g(t)=n=−∞∑∞Ing(t−nTs)成形脉冲为矩形脉冲,则IQ两路为不断变化的常数,调制结果就是具有特定幅值和相位的理想正弦波;然而,实际中常使用升余弦滚降滤波器作为成形滤波器,从而使得时域基带信号平滑、抑制带外泄露s(t)s(t)
2022-09-20 17:35:38
14475
4
原创 通信原理学习笔记4:信道编码、分组码、卷积码、现代信道编码(Turbo码、LDPC码、Polar码)
5G的eMBB场景下,控制信道使用Polar码,数据信道使用LDPC码(更短时延要求更快的译码速度,而Turbo码的迭代译码被淘汰),也就是说1个比特就是一组,即:每次对1bit编码,输出n bit,结果与当前以及前面的总共N bit有关。,但早期缺乏可行的译码算法,计算复杂性高,如今出现高效灵活的并行译码架构后,译码复杂度降低,才得以应用。之前的编码器:每次输入k 个信息码元,输出n个码元,编码器的输出只与本次输入的一组信息码元有关。一方面要求随机,传统信道编码有规则的代数结构,不是随机的;
2022-09-20 17:35:13
8581
原创 通信原理学习笔记3-4:数字通信系统性能指标(带宽、信噪比Eb/N0、可靠性与误码率、有效性与频谱利用率)
香农第二定理对应的 [最大信息传输速率(信道容量C)下,无错所需的最小信噪比],正是对应这里的狭义。分母的带宽,如果带入基带带宽,就是基带频谱资源利用率;带入频带带宽,就是频带频谱资源利用率;指出,只要信息传输速率小于信道容量,一定存在一种信道编码,使得信息传输错误概率任意小。例如(2,1,3)卷积码,输入1 bit,编码器输出2 bit,信道编码后,若要保持。,若采用双边带调制,频带频谱资源利用率为它的一半。,例如采用理想sinc脉冲成形,双边带调制,则。例如,考虑最理想的sinc脉冲,则基带带宽。
2022-09-20 17:34:49
7289
1
原创 通信原理学习笔记3-3:数字通信系统概述(数字调制、IQ调制与PSK / QAM)
注意,从星座图上可以看出,调制阶数增加,星座点间距变小,抗干扰能力变差,要求更高的信道质量。下面以QPSK为例介绍(Q代表4元调制,即每次输入2个比特,对应4种不同的波形),也即包含了「输入的比特数据、载波幅度相位、调制所需的IQ数据」三者的映射关系。根据星座图,显然信号受干扰后,接收端误判为相邻星座点的概率更大,因此一般结合。例如,QPSK,调制阶数为4,有4种可能的码元,即4种不同相位的余弦波。数字调制思路与模拟调制相同,就是用要传输的数字信号,来控制。上面说过,数字调制的核心就是IQ调制;
2022-09-20 17:34:25
5557
4
原创 通信原理学习笔记3-2:数字通信系统概述(信源编码/压缩编码、信道编码FEC和交织、HARQ)
压缩后的码率为6.60/8.85/12.65/14.25/15.85/18.25/19.85/23.05/23.85 kbps(注意,它们传输的。网络视频中常用的视频压缩标准为MPEG-4 Part 10,即H.264,或称高级视频编码AVC,1080p视频压缩后码率仅有1.03MB/s。单纯使用HARQ,则在恶劣信道下,要求解调门限非常高,才能在到达最大重传次数前成功传输数据,因此需要HARQ+ARQ结合,降低解调门限。接收端去交织,再次转置,即可还原数据。,但是压缩后码率越低,传输所需的总时间就越小)
2022-09-20 17:34:05
2840
原创 通信原理学习笔记3-1:数字通信系统概述(模数转换、时频域采样定理)
另外,也有数字调制:包含数字到模拟+上变频,具体就是 从基带数字信号到基带模拟信号(也就是上面的脉冲成形),然后再到射频信号(也就是模拟调制),两个步骤可以合并(直接从数字信号到射频信号)为ASK/FSK/PSK。目前使用最广的是PSK和QAM,QAM是幅度相位联合调制,具体通过IQ调制来实现(IQ两路传输复数星座点,可得到QAM已调信号)(优先编码器:只对同时输入的几个信号中,优先权最高的一个进行编码,也就是说只关注输入电压最接近的参考电压)相应的,还有数 / 模转换器DAC,就是输入。
2022-09-20 17:33:22
2906
原创 通信原理学习笔记2-3:复信号分析(解析信号与预包络)、IQ调制与复信号的传输
已经知道,傅里叶变换中的复指数ejωte^{j\omega t}ejωt带来了负频率,意义是旋转向量ejωte^{j\omega t}ejωt的旋转方向(顺/逆时针)由此可知,实信号的频谱,一定是正负频率共轭对称的(这样不同旋转方向的旋转向量才能抵消虚部分量)然而,正频率和负频率部分承载相同信息,存在冗余,而复信号则有可能只占用正频率(负频率),称为解析信号(是一个复信号,由Hilbert变换构造),其优点在于简化了理论分析、节约了频谱任意带通实信号x(t)x(t)x(t),可以视为一个带通复信号z(t)
2022-09-20 17:32:34
5846
2
原创 通信原理学习笔记2-2:复信号分析(复信号与负频率、Hilbert变换获得正半频谱、单边带SSB调制原理)
在频域上实现则需要对于所有不同频率成分都相移90°,也难以实现(如果只有一个频率,则对信号延时1/4个周期即可相移90°;但如果有多个频率,就需要单独对不同频率成分做不同的延时,最后再把不同频率成分叠加)首先要明确,复信号实际不存在,一切复信号只存在于理论分析中,实际传输复信号需要两路实信号,利用频谱的特性甚至可以只传输实部(IQ调制)想要从实信号的对称频谱中,提取出正频率部分,直观上就是用阶跃函数“截取”频谱的正半部分;频域上,Hilbert变换不改变各频率成分的幅值(直流除外),只是将正频率相移。
2022-09-20 17:32:18
4659
1
原创 通信原理学习笔记2-1:模拟调制——相干解调的载波恢复、锁相环(平方环/Costas环)、变频/混频技术
原始信号为基带模拟信号,要想在空气中传播信号,必须使用频带信号(频率高则天线长度降低,且可能进行频分复用等);基带信号经过调制,得到/调制信号/频带信号。
2022-09-20 17:31:35
5310
2
原创 通信原理学习笔记1:模拟与数字通信系统、通信系统性能指标
对于有线通信,我们必须将二进制数据调制在电话线允许的3400Hz以内,才能用电话线传输数字信号,但传数据时不能打电话;频率越高,波长小(接近分子原子尺寸),穿透力越强,但能量易丢失,即电磁波振幅衰减越快,从而无线基站的覆盖性越差;频率越低,波长大,穿透力弱,但是绕射能力强,能量不易丢失,从而覆盖性好,可用于远距离通信。模拟系统,底层由模拟电路实现,传输模拟信号,抗干扰能力很差,且传输中继会放大噪声。对于无线通信,电磁波频率高,波长小,才能用较短的天线来发射信号;,信源的模拟信号经过。),并对数字信号进行。
2022-09-20 17:30:07
2462
原创 线性代数学习笔记11-3:总复习(习题)
⎡1−11⎦⎤若v1−v2+v3=0\mathbf{v}_1-\mathbf{v}_2+\mathbf{v}_3=0v1−v2+v3=0,方程Ax=0\mathbf A \mathbf{x}=\mathbf 0Ax=0的解是否唯一?解是否唯一,看零空间的维数即可:根据v1−v2+v3=0\mathbf{v}_1-\mathbf{v}_2+\mathbf{v}_3=0v1−v2+v3=0,列线性相关,秩r0,因此零空间有非零向量,A
2022-09-12 18:09:08
470
原创 线性代数学习笔记11-2:总复习Part2(相似对角化、对称矩阵、奇异值分解SVD)
下面的一系列分解,涉及了线性代数中的各个重要知识点:ACRAQRAΛSS=QΛQTA=UΣVTΣAvi=σiuiΣA。
2022-09-12 18:08:54
487
原创 线性代数学习笔记11-1:总复习Part1(CR分解、LU分解、QR分解)
下面的一系列分解,涉及了线性代数中的各个重要知识点:ACRAQRAΛSS=QΛQTA=UΣVTΣAvi=σiuiΣA。
2022-09-12 18:08:10
2687
原创 线性代数学习笔记10-4:左右逆、伪逆/M-P广义逆(从四个子空间和SVD角度理解)
下面讨论m×nm\times nm×n的秩为rrr的矩阵对于不同情况,讨论逆矩阵这也是一般所说的“逆矩阵”的含义方阵A\boldsymbol{A}A满秩r=m=nr=m=nr=m=n,那么有A−1A=AA−1=I\boldsymbol{A}^{-1} \boldsymbol{A}^{=} \boldsymbol{A} \boldsymbol{A}^{-1}=\boldsymbol{I}A−1A=AA−1=I,其中A−1\boldsymbol{A}^{-1}A−1为两侧逆矩阵(简称逆矩阵)更一般的,对于长方
2022-09-12 18:06:45
1965
原创 线性代数学习笔记10-2:特征值分解EVD/奇异值分解SVD的几何意义
特征值和奇异值都可用于分解矩阵,但它们有如下区别:(两者关系的基本讨论见前文,这里简要总结)特征值分解是将特征向量作为新的基向量,在新的坐标系下进行伸缩,完成同一个线性变换奇异值分解是将标准正交基作为新的基向量,在新的坐标系下进行伸缩+旋转(可能还包含投影),完成同一个线性变换特征值分解只能用于满足条件的方阵,对应于从空间到空间自身的映射奇异值分解用于m x n的矩阵/或奇异矩阵(不满秩/不可逆的方阵),对应从一个空间到另一个空间的映射“作用”的概念:几何上简单理解为对向量的旋转和拉伸。
2022-09-12 18:06:18
1317
原创 线性代数学习笔记10-1:奇异值分解SVD(SVD的由来和推导、SVD与极分解、SVD的应用)
回顾:当对角化(特征值分解)不可用时,我们转而寻求奇异值分解SVD,可将其视为“广义的特征值分解”下面将看到,奇异值分解是矩阵最终的、最好的分解ps.本文主要从数学上的“广义特征值分解”角度来介绍奇异值分,实际上也可从几何意义上理解奇异值分解SVD(Singular value decomposition):任意矩阵可分解为Am×n=Um×mΣm×nVn×nT\boldsymbol{A}_{m\times n} =\boldsymbol{U}_{m\times m} \boldsymbol{\Sigma}
2022-09-12 18:06:02
1593
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