SVD算法与python实践

1.前言

SVD算法在气象的分析中经常有用到，主要是用来比较两个场的相关结构关系，做一下说一下该算法的自我体会。

---

2.计算方法概论

首先作为引入，首先要提到之前将到的EOF和PCA的分解方法。

http://blog.csdn.net/maliang_1993/article/details/51284603

EOF或PCA主要计算步骤是矩阵的特征值和特征向量的计算一样:EOF里面是将m个格点或者是PCA里面m个成分的协方差矩阵进行特征值分解，然后找出相关的特征值及特征向量。

基本的公式在这里。
同样，对于分析两个场的相关性，SVD的本质就是将两个场分别的进行模态分离（我理解，询问老师也是这么理解的，但是还为证实），然后分别两两做相关系数，取前K个相关高的模态对。大概就是这个过程。
所以用SVD判断两个场的相关性的话，需要几个条件都满足，才能说两个场具有较强的相关性。首先，各自分离的模态在各自场中解释方差应该比较大，至少应该排在前几位。说明各自的模态是各场的主模态。其次，在奇异值分解后的中的奇异值矩阵，该模态对所对应的奇异值在奇异值矩阵中占比也应该排名较前。两者之一不满足，都不能说明两个场有很好的相关性。

---

3.SVD分解定义