本征正交分解（POD）入门（详解）

最新推荐文章于 2025-03-25 14:58:29 发布

天狭鬼

最新推荐文章于 2025-03-25 14:58:29 发布

阅读量5w

点赞数 54

分类专栏： Math 文章标签： POD PCA matlab

本文链接：https://blog.csdn.net/m0_37763336/article/details/92803507

版权

Math 专栏收录该内容

5 篇文章

订阅专栏

本文深入探讨了主成分分析(PCA)与本征正交分解(POD)的理论与应用，强调这两种方法在数据降维和流场分析中的作用。通过对矢量数据的统计分析，介绍了POD作为优化问题的解决思路，以及PCA在图像处理和机器学习领域的应用实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

思来想去还是把题目从“简介”改成了“入门（详解）”，其实详解主要就是针对可能没接触过矩阵论的同学，我也是研一才学的，入门是指的我会解释一些名词，方便理解。另外PCA（主成分分析）本质上就是POD，只是我最近翻的热工学论文大部分都用的POD这个名字，而数据分析（或机器学习）方面似乎用PCA这个名字多一些，所以还是以这个名字做了。

本来大部分内容早就完成了，但是一直苦于对降维后的数据处理问题不甚了解，所以翻了很久的资料。因为降维后的数据与元数据并没有直接的数值上的联系，并且也没有明确的物理意义，因此这里的理解卡了很久，现在才知道，降维后的数据与原数据的联系其实中间还包括有均值、特征向量、主成分之间的数值关系，也就是重建的过程。迷惑在这个地方的同学还要重点理一下降维种的两种方法：特征选择和特征抽取。特征选择是从全集中选出子集，而特征抽取则是通过已有特征的组合建立一个新的特征子集。

本征正交分解（Proper orthogonal decomposition），也称为主成分分析法（Principal Components Analysis, PCA）[1-2]。第一次读文献时翻译成了“适当的正交分解”，一头雾水。然后查了半天“适当的正交分解”也没找到，后来直接搜的POD才知道这东西叫本征正交分解。与另一个名字相比，本征正交分解实在不常见：主成分分析。本文是参考文献 [3] 和博客按自己理解写的，有不正确之处恳请指出，互相学习。

1、标准本征正交分解数学模型简介

本征正交分解（以下均称为POD）是一种源于矢量数据统计分析的方法，广泛应用于数据降维，流场分析等等（自己理解的）。

考虑对同一种现象测量 m 次，每次测量值为包含大量 n 个实数项的向量 $x_{k}$ （这里 $x_{k}$ 为第k个 n 行列向量）， k= 1,2,...,m （例如 $x_{k}$ 可以是在第 k 次实验中获得的数字图像）。数据统计分析的一个重要目标就是发现数据中的相互依赖性，并将数据集减少到参数 r<<n 的更小数量。数学上这种情况可以描述为一种优化问题：

为实数空间 $R^{n}$ 中的随机实向量，E 为期望值，上式本质上就是求最小均方差，P 为秩 r 的投影算子，即：

设矩阵 W ，则上述问题对于协方差矩阵的 r 主特征向量有一个解：

设为 W 的有序特征值，且 vk 对应的正交归一化特征向量，即：

则一个最佳的 P 是正交投影：

当且仅当时，P唯一。

在统计学应用中，Wx常用估计值代替：

其中xk为测量向量，并假设其独立，并且 X 为 n*m 矩阵，其列为 xk 。

以上推到参考麻省理工的讲义[6]，有需要且找不到的私聊。

2、一些名词就是

这部分就针对已经学过线性代数和统计的同学说了，没学过的话那你可以学一遍再搞这些东西了，真的很重要。

（1）优化：优化问题基本就不需要解释了，高中应该就有，比如线性规划、最小二乘等等。

（2）矩阵的秩r（rank）：通过矩阵的初等变换，获得（行/列）秩，基本形式见线性代数。

（3）期望值E(Expected value)：其实就是平均值。

（4）投影算子：投影和算子其实是分开的，我们通常也可以看到某某算子(sobel算子等)，算子的概念就是函数概念的推广，你可以把它理解成函数，但是它实际上就是你在高中学函数之前的“映射”概念！投影就比较有意思了。投影其实就有了降维的含义，根据[5]：

投影算子是在赋范线性空间X上具有幂等性的有界线性算子。

设P是X上的有界线性算子，如果 $P^{^{2}}=P$ ，则称P为投影算子。

当P是投影算子时，I-P也是投影算子，且X=PX+(I-P)X。

其实上面讲到投影算子时，P=VU，UV = Ir 就是根据 $P^{^{2}}=P$ 推出来的。即 P 为投影算子。则 $P^{^{2}}=P$ ，令 P=VU ，则 $P^{2}=VUVU$ ，且 $UV=I_{r}$ ,显然 $P^{2}=VI_{r}U=P$ 。

（5）散布矩阵：协方差矩阵。

3、MATLAB 中的函数为pca，可以通过查看帮助文档查看参数。

注：其实理论部分早就写完了，但是在实际做的过程中做到降维之后不知道怎么用数据了，后来看到有些文献里发现是对降维后的数据加上均值，主要在数字图像处理中看到的。

4、算例及其他补充

其实从PCA的角度来说有很多非常详细的推到，PCA最早源于通信理论中的K-L变换。1901年由Pearson第一次提出主要成分分析的方法，直到1963年Karhunan Loeve对该问题的归纳经历了多次的修改[7]。

以下参考主要来源于《精通Matlab数字图像处理与识别》（理论推到十分详细，自行参考）：

PCA计算实例：

（1）问题描述：计算下面两维数据集合的主成分，并利用PCA方法将数据降至一维和二维。然后尝试利用1个和两个主成分实现对第一个样本的重构。

X={(1,2),(3,3),(3,5),(5,4),(5,6),(6,5),(8,7),(9,8)}

（2）计算散布矩阵S的本征向量：

首先计算协方差矩阵S（n-1 倍的系数不会影响本征向量的计算）：

样本均值： $\overrightarrow{m}=(5,5)$

$S=\sum_{i=1}^{8}(\overrightarrow{x}_{i}-\overrightarrow{m})(\overrightarrow{x}_{i}-\overrightarrow{m})^{T}=\begin{bmatrix} 6.25 &4.25 \\ 4.25 & 3.5 \end{bmatrix}$

（3）计算协方差矩阵特征值（自行计算）

$\lambda _{1}=9.34,\lambda _{2}=0.41$

（4）计算特征向量（MATLAB结果）：

注意：这里要使特征向量正交归一化，而MATLAB的eig函数好像是具有这个能力的。e1,e2维特征向量加了均值得到的主轴。

（5）降至1维：

通过将8个样本点向其主 e1 投影可以得到这8个样本点的一维表示（偷个懒，截图了），这里向e1 投影而不向 e2 投是有原因的，按数学原理，应对特征值按从大到小排列，e1 对应的特征值最大：

（6）降至2维

（7）重构：

利用第一个主成分分析得到的降维数据进行重构，如果只对第一个(1,2)进行，则：

重构就是：均值+sum(基*主成分)

当然用于衡量精度的方法可以采用欧式距离：

最后的结论说明：PCA算法中，一般取主成分得分来表示降维后所含有的信息量，而所选用的主成分越多，则其所含有的信息越大，重构得到的数值也就精度越高（这种说法是自己总结的，可能不是很准确）。

参考：

1、https://ww2.mathworks.cn/matlabcentral/fileexchange/58737-pod-moo-m

2、冯俞楷, 杜小泽, 杨立军. 非稳态导热基于温度梯度的本征正交分解降维方法[J]. 中国科学:技术科学, 2018(1).

3、Taehyun Jo, Bonchan Koo, Hyunsoo Kim, Dohyung Lee, Joon Yong Yoon,Effective sensor placement in a steam reformer using gappy proper orthogonal decomposition,Applied Thermal Engineering,Volume 154,2019,Pages 419-432,ISSN 1359-4311,

4、http://blog.codinglabs.org/articles/pca-tutorial.html

5、陈永林. 加权投影算子与加权广义逆矩阵[J]. 应用数学学报, 1983, 6(3):282-291.

6、Proper Orthogonal Decomposition，Massachusetts Institute of Technology，Department of Electrical Engineering and Computer Science，2004。
7、张铮. 精通Matlab数字图像处理与识别[M]. 2013.