-
奇异值分解的背景
矩阵(方阵)的对角化存在三大问题:(1) 特征向量通常不正交;(2)特征向量的数量通常不足;(3)要求矩阵是方阵。 -
A A T AA^{\mathrm{T}} AAT和 A T A A^{\mathrm{T}}A ATA的特征分解
u和v分别是其特征向量 -
奇异值分解
A [ v 1 ⋅ ⋅ v r ⋅ v n ] = [ u 1 ⋅ u r ⋅ u m ] [ σ 1 ⋱ σ r ] A\left[v_{1} \cdot \cdot v_{r} \cdot v_{n}\right]=\left[u_{1} \cdot u_{r} \cdot u_{m}\right]\left[\begin{array}{c}\sigma_{1} \\ \ddots \\ \sigma_{r}\end{array}\right] A[v1⋅⋅vr⋅vn]=[u1⋅ur⋅um]⎣⎡σ1⋱σr⎦⎤
奇异值分解的原理(Singular Value Decomposition (SVD))
最新推荐文章于 2024-10-05 17:39:48 发布